TimeDP: um modelo de dissociação de tempo multidomínio com prompts de domínio

É produtivo dados de série temporal é importante para muitas aplicações, incluindo aumento de dados, conjuntos de dados sintéticos e cenários. Porém, se houver mais de um, esse processo se torna mais complexo porque envolve a diversidade de padrões em todas as categorias do mundo real. Com uma variedade tão grande de padrões entre as categorias do mundo real, a complexidade do processo tende a aumentar. O processo é especialmente complicado porque os dados podem não ser baseados em registros históricos. Muitas vezes falha nas tentativas de usar a linguagem natural para descrever domínios onde tais descrições são muitas vezes vagas, incompletas ou impossíveis, especialmente em ambientes novos ou em mudança.

Os métodos atuais de geração de séries temporais usam modelos semelhantes VAEs de GANs e métodos mistos, como fluxo e EDOs. GANs são projetados para melhorar a energia a curto prazo, enquanto VAEs concentre-se nas tendências e diferenças sazonais usando decodificadores especiais. Os métodos mistos tentam combinar várias estratégias, mas muitas vezes não conseguem escalar em vários domínios. Os modelos de distribuição são semelhantes DDPM gerar dados revertendo os processos de ruído, mas concentrando-se principalmente em configurações de domínio único. A maioria dos métodos de domínio depende de modelos de pré-treinamento em grandes conjuntos de dados ou dados de normalização. No entanto, não consideram claramente as diferenças entre os domínios e são, portanto, menos eficazes na abordagem de desafios diversos e dinâmicos do mundo real.

Para enfrentar o desafio de gerar séries temporais de múltiplos domínios, mantendo ao mesmo tempo a capacidade do modelo de distingui-los, pesquisadores de Universidade de Nanjing, Microsoft Research Ásia, de novo Universidade de Pequim apresentou um novo modelo de distribuição de série temporal multidomínio, TempoDP. Este modelo usa semântica de série temporal para definir a série temporal subjacente, onde cada vetor de instância representa um recurso de série temporal subjacente. O modelo deriva pesos específicos do domínio usando o módulo de protótipo de atribuição, que ajuda a aprender comandos de domínio como condições de produção. Durante o processo de amostragem, as informações do domínio são geradas usando diversas amostras do domínio alvo. Isso garante que a série temporal gerada tenha características específicas de domínio.

Os pesquisadores utilizaram uma estratégia de treinamento que envolveu dados de diversos domínios. A técnica utilizou remoção de ruído condicional e alocação de protótipo como processo orientador para produção. O modelo capturou as diversas distribuições de dados de séries temporais usando dados de vários domínios. O modelo gerou séries temporais para o domínio selecionado condicionando atribuições de modelo específicas de domínio e usando informações de domínio. Além disso, este método suporta a geração de séries temporais a partir de domínios não observados usando protótipos como representações universais, permitindo que o modelo seja acessível além dos dados de treinamento.

Os pesquisadores testaram 12 conjuntos de dados em quatro domínios: Eletricidade, Solar, Eólico (energia), Tráfego, Táxi, Pedestres (transporte), Qualidade do Ar, Temperatura, Precipitação (meio ambiente) e NN5, Fred-MD, Exchange (economia). Conjuntos de dados foram pré-processados sequência univariada de 24, 96, 168de novo 336. Usando um conjunto de dados de vários domínios, eles compararam seu modelo com linhas de base semelhantes TempoGAN, GT-GAN, TempoVAEde novo HoraVQVAE. Os resultados mostraram que o modelo proposto teve melhor desempenho que os demais na geração de uma série temporal próxima dos dados reais, com melhor desempenho MMD, KLde novo MDD. Passou em uma aula condicional HoraVQVAE e outras bases, que apresentam melhor qualidade de geração e forte classificação de representação sem uso de rótulos de classe.

Concluindo, o que é proposto TempoDP o modelo lida efetivamente com a produção de uma série de múltiplos domínios usando informações de domínio e protótipos. Ele supera os métodos existentes, proporcionando melhor qualidade de domínio e desempenho robusto em domínios não detectados. Esta abordagem estabelece uma nova referência para a geração de séries temporais e pode servir de base para pesquisas futuras, especialmente em aprendizagem baseada em protótipos e adaptação de domínio. Trabalhos futuros poderão melhorar a escala e testar seu uso em sistemas mais complexos.

Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Não se esqueça de participar do nosso SubReddit de 65k + ML.

🚨 Recomendar plataforma de código aberto: Parlant é uma estrutura que está mudando a forma como os agentes de IA tomam decisões em situações voltadas para o cliente. ^(Promovido)

Divyesh é estagiário de consultoria na Marktechpost. Ele está cursando BTech em Engenharia Agrícola e Alimentar pelo Instituto Indiano de Tecnologia, Kharagpur. Ele é um entusiasta de Ciência de Dados e Aprendizado de Máquina que deseja integrar essas tecnologias avançadas no domínio agrícola e resolver desafios.