TACTiS-2：更优、更快、更简的多元时间序列注意力 copula 模型
机器学习
2024-03-26 v2 人工智能
机器学习
摘要
我们提出一种用于多元概率时间序列预测的新模型，旨在灵活应对一系列任务，包括预测、插值及其组合。基于 copula 理论，我们为近期提出的基于 Transformer 的注意力 copula（TACTiS）提出了一个简化目标，其中分布参数的数量现在随变量数线性增长，而非阶乘增长。新目标需要引入训练课程，这与对原始架构的必要改动相辅相成。我们表明，所得模型具有显著更优的训练动态，并在多样化真实世界预测任务上取得 SOTA 性能，同时保持了先前工作的灵活性，例如无缝处理未对齐与不均匀采样的时间序列。代码已发布于 https://github.com/ServiceNow/TACTiS。
引用
@article{arxiv.2310.01327,
title = {TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series},
author = {Arjun Ashok and Étienne Marcotte and Valentina Zantedeschi and Nicolas Chapados and Alexandre Drouin},
journal= {arXiv preprint arXiv:2310.01327},
year = {2024}
}
备注
28 pages, 15 figures, The Twelfth International Conference on Learning Representations (ICLR 2024)