Optimizing Time Series Forecasting Architectures: A Hierarchical Neural Architecture Search Approach

要約

時系列予測研究の急速な発展により、この分野に多くの深層学習ベースのモジュールが導入されました。
ただし、新しい予測アーキテクチャの量が増加しているにもかかわらず、適切に設計されたアーキテクチャ内でこれらの既存のモジュールの可能性を最大限に活用できているかどうかは依然として不明です。
この研究では、時系列予測タスクのための新しい階層型ニューラル アーキテクチャ検索アプローチを提案します。
階層型検索スペースの設計では、予測タスク用に設計された多くのアーキテクチャ タイプが組み込まれており、さまざまな予測アーキテクチャ モジュールを効率的に組み合わせることができます。
長期時系列予測タスクの結果は、私たちのアプローチがさまざまな予測タスクにわたって軽量で高性能な予測アーキテクチャを検索できることを示しています。

要約(オリジナル)

The rapid development of time series forecasting research has brought many deep learning-based modules in this field. However, despite the increasing amount of new forecasting architectures, it is still unclear if we have leveraged the full potential of these existing modules within a properly designed architecture. In this work, we propose a novel hierarchical neural architecture search approach for time series forecasting tasks. With the design of a hierarchical search space, we incorporate many architecture types designed for forecasting tasks and allow for the efficient combination of different forecasting architecture modules. Results on long-term-time-series-forecasting tasks show that our approach can search for lightweight high-performing forecasting architectures across different forecasting tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google