Forecasting with Hyper-Trees

要約

このペーパーでは、ハイパーツリーの概念を紹介し、ツリーベースのモデルを時系列データに適用する際の新しい方向性を提案します。
時系列を直接予測する従来のデシジョン ツリー アプリケーションとは異なり、ハイパーツリーはターゲット時系列モデルのパラメーターを学習するように設計されています。
私たちのフレームワークは、ブースト ツリーの勾配ベースの性質を活用しており、これにより、ハイパーネットワークの概念をハイパーツリーに拡張し、ツリー モデルに時系列の帰納的バイアスを誘導することができます。
ハイパーツリーは、ターゲット時系列モデルのパラメーターを特徴に関連付けることにより、パラメーターの非定常性の問題に対処し、ツリーベースの予測をトレーニング範囲を超えて拡張できるようにします。
私たちの研究では、さまざまな予測シナリオにわたるハイパーツリーの有効性を調査し、時系列モデリングにおける従来の使用を超えて勾配ブーストされたデシジョン ツリーの適用を拡張することを目指しています。

要約(オリジナル)

This paper introduces the concept of Hyper-Trees and offers a new direction in applying tree-based models to time series data. Unlike conventional applications of decision trees that forecast time series directly, Hyper-Trees are designed to learn the parameters of a target time series model. Our framework leverages the gradient-based nature of boosted trees, which allows us to extend the concept of Hyper-Networks to Hyper-Trees and to induce a time-series inductive bias to tree models. By relating the parameters of a target time series model to features, Hyper-Trees address the issue of parameter non-stationarity and enable tree-based forecasts to extend beyond their training range. With our research, we aim to explore the effectiveness of Hyper-Trees across various forecasting scenarios and to extend the application of gradient boosted decision trees outside their conventional use in time series modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google