元学习框架及其在零样本时间序列预测中的应用
机器学习
2020-12-16 v3 机器学习
摘要
元学习能否从多样化数据集中发现处理时间序列（TS）的通用方式，从而极大提升来自不同数据集的新 TS 的泛化能力？本工作利用一个广泛的元学习框架给出了肯定证据，我们表明该框架包含了许多现有元学习算法。我们的理论分析表明，残差连接充当元学习适配机制，基于给定 TS 输入生成任务特定参数的子集，从而动态逐步扩展架构的表达能力。通过线性化分析，同一机制被证明可解释为最终线性层的顺序更新。我们在广泛数据上的实证结果强调了所识别元学习机制对成功零样本单变量预测的重要性，表明在源 TS 数据集上训练神经网络并部署于不同目标 TS 数据集而无需重训是可行的，其性能至少不逊于业界常规单变量预测模型。
引用
@article{arxiv.2002.02887,
title = {Meta-learning framework with applications to zero-shot time-series forecasting},
author = {Boris N. Oreshkin and Dmitri Carpov and Nicolas Chapados and Yoshua Bengio},
journal= {arXiv preprint arXiv:2002.02887},
year = {2020}
}