POLA：基于自适应学习率的在线时间序列预测
机器学习
2021-02-18 v1 机器学习
摘要
对流式时间序列数据的在线预测在许多现实世界应用中具有实际用途，其中下游决策依赖于对未来的准确预报。在动态环境中的部署要求模型快速适应变化的数据分布而不发生过拟合。我们提出 POLA（通过学习率自适应进行在线预测，Predicting Online by Learning rate Adaptation）来自动调节循环神经网络模型的学习率，以适应随时间变化的时间序列模式。POLA 通过吸收用于在线预测的前序（prequential）或交错测试再训练（interleaved-test-then-train）评估方案，对随机梯度下降（SGD）算法的学习率进行元学习。我们在两个真实世界数据集上跨三种常用循环神经网络模型评估了 POLA。POLA 展现出与其他在线预测方法总体相当或更好的预测性能。
引用
@article{arxiv.2102.08907,
title = {POLA: Online Time Series Prediction by Adaptive Learning Rates},
author = {Wenyu Zhang},
journal= {arXiv preprint arXiv:2102.08907},
year = {2021}
}
备注
Accepted to ICASSP 2021