Tailored Forecasting from Short Time Series via Meta-learning

要約

機械学習（ML）モデルは、時シリーズデータから未知のシステムのダイナミクスを予測するのに効果的ですが、多くの場合、さまざまなダイナミクスを備えたシステム間で一般化するために大量のデータを必要とし、苦労します。
組み合わせると、これらの問題は、短い時系列からの予測を特に困難にします。
この問題に対処するために、関連する時系列データを持つ関連システムを使用して、関心のあるシステムから限られたデータを補足する関連システムを使用する関連システム（メタフォー）のメタ学習を導入します。
関連システムでトレーニングされたモデルのライブラリを活用することにより、メタフォーは、限られたデータでシステムの進化を予測するためにテーラードモデルを構築します。
シミュレートされた混oticとしたシステムでの貯水池のコンピューティングの実装とテストを使用して、テストと関連システムが著しく異なる行動を示し、利用可能なデータが不足している場合でも、短期的なダイナミクスと長期統計の両方を予測するメタフォーの能力を示します。
データ制限シナリオの汎用性。

要約(オリジナル)

Machine learning (ML) models can be effective for forecasting the dynamics of unknown systems from time-series data, but they often require large amounts of data and struggle to generalize across systems with varying dynamics. Combined, these issues make forecasting from short time series particularly challenging. To address this problem, we introduce Meta-learning for Tailored Forecasting from Related Time Series (METAFORS), which uses related systems with longer time-series data to supplement limited data from the system of interest. By leveraging a library of models trained on related systems, METAFORS builds tailored models to forecast system evolution with limited data. Using a reservoir computing implementation and testing on simulated chaotic systems, we demonstrate METAFORS’ ability to predict both short-term dynamics and long-term statistics, even when test and related systems exhibit significantly different behaviors and the available data are scarce, highlighting its robustness and versatility in data-limited scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google