Enhancing Spatio-temporal Quantile Forecasting with Curriculum Learning: Lessons Learned

要約

時空間 (ST) データ上でモデルをトレーニングすることは、データ自体の複雑かつ多様な性質により未解決の問題を引き起こし、元の ST データ上で直接トレーニングされたモデルのパフォーマンスを保証することは困難です。
トレーニング データの種類を制限するとトレーニングが容易になりますが、モデルの知識や情報が不足し、パフォーマンスが低下する可能性もあります。
この課題に対処するために、私たちは、空間的、時間的、分位点の観点から特にターゲットを絞った 3 つの異なる形式のカリキュラム学習を組み込んだ革新的なパラダイムを提示しました。
さらに、私たちのフレームワークには、3 種類のカリキュラム学習からの多様な情報を組み合わせるスタッキング フュージョン モジュールが組み込まれており、その結果、強力で徹底的な学習プロセスが実現します。
私たちは広範な実証的評価によってこのフレームワークの有効性を実証し、複雑な ST の課題に対処する際のパフォーマンスの向上を強調しました。
私たちは、カリキュラムの有効性を調査し、それが ST データの学習効率の向上にどのように貢献するかを説明するために、徹底的なアブレーション研究を提供しました。

要約(オリジナル)

Training models on spatio-temporal (ST) data poses an open problem due to the complicated and diverse nature of the data itself, and it is challenging to ensure the model’s performance directly trained on the original ST data. While limiting the variety of training data can make training easier, it can also lead to a lack of knowledge and information for the model, resulting in a decrease in performance. To address this challenge, we presented an innovative paradigm that incorporates three separate forms of curriculum learning specifically targeting from spatial, temporal, and quantile perspectives. Furthermore, our framework incorporates a stacking fusion module to combine diverse information from three types of curriculum learning, resulting in a strong and thorough learning process. We demonstrated the effectiveness of this framework with extensive empirical evaluations, highlighting its better performance in addressing complex ST challenges. We provided thorough ablation studies to investigate the effectiveness of our curriculum and to explain how it contributes to the improvement of learning efficiency on ST data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google