DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment
Created by
- Haebom
Category
Empty
저자
Hao Wang, Licheng Pan, Yuan Lu, Zhixuan Chu, Xiaoxi Li, Shuting He, Zhichao Chen, Haoxuan Li, Qingsong Wen, Zhouchen Lin
개요
시간 시계열 예측 모델 훈련은 모델 예측의 조건부 분포를 레이블 시퀀스의 조건부 분포와 일치시키는 것이 필요하다. 표준 직접 예측(DF) 접근 방식은 일반적으로 평균 제곱 오차를 사용하여 추정되는 레이블 시퀀스의 조건부 음의 로그 우도(negative log-likelihood)를 최소화한다. 그러나 이 추정은 레이블 자기상관이 존재할 경우 편향된 것으로 나타난다. 본 논문에서는 조건부 예측과 레이블 분포 간의 불일치를 번갈아 최소화하여 정렬을 달성하는 DistDF를 제안한다. 조건부 불일치는 유한한 시계열 관측치로부터 추정하기 어렵기 때문에, 우리는 시계열 예측을 위해 새롭게 제안된 joint-distribution Wasserstein 불일치를 도입하여 관심 있는 조건부 불일치를 증명적으로 상한한다. 이 불일치는 경험적 표본으로부터의 추정치에 대해 다루기 쉽고 미분 가능하며, 기울기 기반 훈련과 원활하게 통합된다. 광범위한 실험을 통해 DistDF가 다양한 예측 모델의 성능을 향상시키고 최첨단 예측 성능을 달성하는 것을 보여준다.
시사점, 한계점
•
DistDF는 시간 시계열 예측 모델의 훈련에서 레이블 자기상관 문제를 해결하기 위해 고안되었다.
•
joint-distribution Wasserstein 불일치를 사용하여 조건부 예측과 레이블 분포 간의 불일치를 효과적으로 측정한다.
•
다양한 예측 모델에서 성능 향상을 보이며, 최첨단 성능을 달성한다.
•
모델의 정확한 작동 방식이나 특정 예측 모델에 대한 구체적인 내용은 언급되지 않았다.
•
제안된 방법의 복잡성이나 계산 비용에 대한 논의는 없다.
