「人工智能学术前沿」用于可解释的时间序列预测，N-BEATS：神经网络底层扩展分析
N-BEATS：神经网络底层扩展分析 ， 用于可解释的时间序列预测题目：
N-BEATS:Neuralbasisexpansionanalysisforinterpretabletimeseriesforecasting
作者：
BorisN.Oreshkin,DmitriCarpov,NicolasChapados,YoshuaBengio
来源：
ComputerVisionandPatternRecognition(cs.CV)
ICLR2020
Submittedon25Jul2019(v1),lastrevised8Apr2020(thisversion,v4)
【「人工智能学术前沿」用于可解释的时间序列预测，N-BEATS：神经网络底层扩展分析】文档链接：
https://openreview.net/pdf?id=r1ecqn4YwB
代码链接：
https://github.com/amitesh863/nbeats_forecast
摘要我们专注于使用深度学习来解决单变量时间序列点预测问题 。 我们提出了一种基于神经网络的深层神经结构 ， 该结构基于向前和向后的残差链接以及非常深的全连接层堆栈 。 该体系结构具有许多理想的属性 ， 这些属性可以解释 ， 可以在不修改大量目标域的情况下适用 ， 并且训练迅速 。 我们在几个著名的数据集上测试了提议的体系结构 ， 包括M3 ， M4和TOURISM竞赛数据集 ， 其中包含来自不同领域的时间序列 。 我们展示了针对所有数据集的两种N-BEATS配置的最新性能 ， 与统计基准相比 ， 预测准确性提高了11％ ， 与去年M4竞赛的获胜者相比 ， 提高了3％ ， 在神经网络和统计时间序列模型之间进行领域调整的手工混合 。 我们模型的第一个配置未使用任何特定于时间序列的组件 ， 并且其在异构数据集上的性能强烈表明 ， 与公认的知识相反 ， 深度学习原语（例如残差块）本身足以解决各种预测问题 。 最后 ， 我们演示了如何扩展所建议的体系结构以提供可解释的输出 ， 而不会造成准确性的重大损失 。 诸如残差块之类的深度学习原语本身就足以解决各种预测问题 。 最后 ， 我们演示了如何扩展所建议的体系结构以提供可解释的输出 ， 而不会造成准确性的重大损失 。 诸如残差块之类的深度学习原语本身就足以解决各种预测问题 。 最后 ， 我们演示了如何扩展所建议的体系结构以提供可解释的输出 ， 而不会造成准确性的重大损失 。
英文原文Wefocusonsolvingtheunivariatetimesseriespointforecastingproblemusingdeeplearning.Weproposeadeepneuralarchitecturebasedonbackwardandforwardresiduallinksandaverydeepstackoffully-connectedlayers.Thearchitecturehasanumberofdesirableproperties,beinginterpretable,applicablewithoutmodificationtoawidearrayoftargetdomains,andfasttotrain.Wetesttheproposedarchitectureonseveralwell-knowndatasets,includingM3,M4andTOURISMcompetitiondatasetscontainingtimeseriesfromdiversedomains.Wedemonstratestate-of-the-artperformancefortwoconfigurationsofN-BEATSforallthedatasets,improvingforecastaccuracyby11%overastatisticalbenchmarkandby3%overlastyear'swinneroftheM4competition,adomain-adjustedhand-craftedhybridbetweenneuralnetworkandstatisticaltimeseriesmodels.Thefirstconfigurationofourmodeldoesnotemployanytime-series-specificcomponentsanditsperformanceonheterogeneousdatasetsstronglysuggeststhat,contrarilytoreceivedwisdom,deeplearningprimitivessuchasresidualblocksarebythemselvessufficienttosolveawiderangeofforecastingproblems.Finally,wedemonstratehowtheproposedarchitecturecanbeaugmentedtoprovideoutputsthatareinterpretablewithoutconsiderablelossinaccuracy.
N-BEATS结构所提议的基本构建块具有一个分支架构 ， 如图1(左)所示 。 在本节中 ， 我们着重详细描述第t个块的操作（为简便起见 ， 在图1中删除了块索引`） 。 第t个块接受其各自的输入x ， 并输出两个向量bx和by 。 对于模型中的第一个块 ， 其相应的x`是整体模型输入的一定长度的历史回溯窗口 ， 以最后一次测量的观测值结束
推荐阅读
- 人工智能爱好者社区当心这个破坏家庭团结的数据泄露重灾区，多款APP违规采集个人信息
- 太平洋电脑网外媒:华为打算将人工智能进一步整合到其光伏业务中
- 站长之家将用于生产相关支出，特斯拉上海工厂获40亿元贷款
- 辛先森科技说触手可及的AI：2020十大人工智能APP揭榜时刻
- 浙视频来看这份最新报告，想了解浙江人工智能产业发展全景
- [登月]刚刚，新飞船试验船返回舱成功着陆，这样的着陆方式适用于登月吗
- CosMolar软性环氧树脂灌封胶的性能怎样？适用于哪些范围？
- 集微网DSP授权许可 用于5G新射频基础设施SoC，Picocom获得CEVA
- 『半导体』半导体+人工智能+芯片概念，每股净2.84元，净利润同比增276.13%
- VR 苏黎世联邦理工学院研究团队推出可用于VR场景的新型触觉传感器