TSPP: A Unified Benchmarking Tool for Time-series Forecasting

要約

機械学習は大幅な進歩を遂げていますが、主にデータの取得とモデルの作成に重点が置かれています。
ただし、現実世界の設定で機械学習ソリューションの包括的な評価を達成するには、パイプライン全体にわたる標準化が必要です。
このニーズは時系列予測において特に深刻であり、多様な設定によりさまざまな手法間の有意義な比較が妨げられます。
このギャップを埋めるために、時系列予測モデルの開発に関わる重要なモデリングと機械学習の決定を明らかにする統合ベンチマーク フレームワークを提案します。
このフレームワークはモデルとデータセットのシームレスな統合を促進し、実務者と研究者の両方の開発作業を支援します。
このフレームワーク内で最近提案されたモデルのベンチマークを行い、慎重に実装された深層学習モデルが、最小限の労力で広範な特徴エンジニアリングと専門知識を必要とする勾配ブースティング決定木に匹敵できることを実証しました。

要約(オリジナル)

While machine learning has witnessed significant advancements, the emphasis has largely been on data acquisition and model creation. However, achieving a comprehensive assessment of machine learning solutions in real-world settings necessitates standardization throughout the entire pipeline. This need is particularly acute in time series forecasting, where diverse settings impede meaningful comparisons between various methods. To bridge this gap, we propose a unified benchmarking framework that exposes the crucial modelling and machine learning decisions involved in developing time series forecasting models. This framework fosters seamless integration of models and datasets, aiding both practitioners and researchers in their development efforts. We benchmark recently proposed models within this framework, demonstrating that carefully implemented deep learning models with minimal effort can rival gradient-boosting decision trees requiring extensive feature engineering and expert knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google