Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

BinConv : une architecture neuronale pour le codage ordinal dans la prévision des séries chronologiques

Created by
  • Haebom

Auteur

Andrei Chernov, Vitaliy Pozdnyakov, Ilya Makarov

Contour

Cet article s'appuie sur des recherches récentes visant à recadrer les problèmes de régression dans la prédiction de séries temporelles comme des problèmes de classification, en discrétisant un espace cible continu pour réaliser des prédictions pour un ensemble fixe de classes. Pour résoudre le problème de perte d'informations sur la distance relative entre les valeurs cibles, fréquent dans le codage one-hot conventionnel, nous proposons le codage binaire cumulatif (CBE), qui préserve les informations d'ordre et de grandeur. Pour exploiter efficacement le CBE, nous proposons BinConv, une architecture de réseau neuronal entièrement convolutif pour la prédiction probabiliste. Nous démontrons que les couches convolutives, combinées au CBE, sont plus efficaces en termes de calcul et améliorent les performances de prédiction par rapport aux couches entièrement connectées. Les résultats expérimentaux sur des jeux de données de référence standard démontrent que BinConv surpasse les méthodes existantes en prédiction ponctuelle et probabiliste, tout en fournissant moins de paramètres et en accélérant l'apprentissage.

Takeaways, Limitations

Takeaways:
Pour les problèmes de prévision de séries chronologiques avec des variables cibles continues, nous montrons que le codage binaire cumulatif (CBE) peut être utilisé pour améliorer les performances des approches basées sur la classification.
Nous démontrons que l'architecture de réseau neuronal entièrement convolutif (BinConv) utilisée avec CBE présente une efficacité de calcul et des performances de prédiction supérieures à celles des modèles conventionnels basés sur des couches entièrement connectées.
Atteint des performances supérieures aux techniques de pointe existantes, tant en matière de prédiction ponctuelle que de prédiction probabiliste.
Limitations:
Les performances de la méthode proposée peuvent être limitées à certains ensembles de données de référence.
Possibilité de perte d'informations lors du processus de binarisation du CBE.
Des recherches supplémentaires sont nécessaires pour déterminer si les caractéristiques structurelles de BinConv peuvent être appliquées à d’autres types de données de séries chronologiques.
👍