基于超网络提前生成参数的时间序列预测
机器学习
2022-11-23 v1
摘要
根据近期时间序列数据预测未来结果并非易事，尤其是当未来数据与过去不同时（即时间序列存在时间漂移）。现有方法在数据漂移下表现有限，我们确定了其主要原因：每当底层动态发生变化时，模型都需要时间收集足够的训练数据并调整其参数以适应复杂的时间模式。为解决此问题，我们研究了一种新方法；我们不是调整模型参数（通过在新数据上持续重新训练模型），而是构建一个超网络，该超网络生成其他目标模型预期在未来数据上表现良好的参数。因此，我们可以提前调整模型参数（如果超网络是正确的）。我们使用 6 个目标模型、6 个基线和 4 个数据集进行了大量实验，结果表明我们的 HyperGPA 优于其他基线。
引用
@article{arxiv.2211.12034,
title = {Time Series Forecasting with Hypernetworks Generating Parameters in Advance},
author = {Jaehoon Lee and Chan Kim and Gyumin Lee and Haksoo Lim and Jeongwhan Choi and Kookjin Lee and Dongeun Lee and Sanghyun Hong and Noseong Park},
journal= {arXiv preprint arXiv:2211.12034},
year = {2022}
}
备注
7 pages, preprint (we open our code after being accepted)