Multi-task Meta Label Correction for Time Series Prediction

要約

時系列分類は 2 つの避けられない問題に直面しています。
1 つは部分的な特徴情報であり、もう 1 つはラベルの品質が低く、モデルのパフォーマンスに影響を与える可能性があります。
上記の問題を解決するために、マルチタスクフレームワークの下でメタ学習を使用して時系列データに対するラベル補正手法を作成します。
主な貢献は 3 つあります。
まず、外側のループの 2 分岐ニューラル ネットワークを使用してラベル補正モデルをトレーニングします。
モデルに依存しない内部ループでは、マルチタスク方式で既存の分類モデルを使用し、メタ知識を共同で更新することで、複雑な時系列に対する適応的なラベル付けを実現します。
次に、履歴データと予測期間内のデータの両方の画像パターンに対する新しいデータ視覚化方法を考案します。
最後に、XOM、S\&P500、SZ50 などのさまざまな金融データセットを使用してメソッドをテストします。
結果は、私たちの方法がいくつかの既存のラベル修正技術よりも効果的かつ正確であることを示しています。

要約(オリジナル)

Time series classification faces two unavoidable problems. One is partial feature information and the other is poor label quality, which may affect model performance. To address the above issues, we create a label correction method to time series data with meta-learning under a multi-task framework. There are three main contributions. First, we train the label correction model with a two-branch neural network for the outer loop. While in the model-agnostic inner loop, we use pre-existing classification models in a multi-task way and jointly update the meta-knowledge, which makes us achieve adaptive labeling on complex time series. Second, we devise new data visualization methods for both image patterns of the historical data and data in the prediction horizon. Finally, we test our method with various financial datasets, including XOM, S\&P500, and SZ50. Results show that our method is more effective and accurate than some existing label correction techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google