TACTiS：用于时间序列的Transformer注意力Copula模型
机器学习
2022-06-29 v2 机器学习
摘要
时变量的估计是医疗和金融等领域决策制定的基本组成部分。然而，此类估计的实际效用受限于其量化预测不确定性的准确程度。本工作中，我们解决高维多元时间序列联合预测分布估计问题。我们提出一种基于transformer架构的通用方法，其使用基于注意力的解码器估计联合分布，该解码器可证明地学习模仿非参数copula的性质。所得模型具有若干理想性质：可扩展至数百条时间序列，支持预测与插值，可处理未对齐及非均匀采样数据，并能在训练时无缝适应缺失数据。我们通过实验验证这些性质，并表明我们的模型在多个真实数据集上产生最先进的预测。
引用
@article{arxiv.2202.03528,
title = {TACTiS: Transformer-Attentional Copulas for Time Series},
author = {Alexandre Drouin and Étienne Marcotte and Nicolas Chapados},
journal= {arXiv preprint arXiv:2202.03528},
year = {2022}
}
备注
47 pages, 33 figures, camera-ready version, Thirty-ninth International Conference on Machine Learning (ICML 2022)