【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib

这篇具有很好参考价值的文章主要介绍了【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distribution Shift

0. 论文基本信息

【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习
发表信息:ICLR 2022
论文地址:https://openreview.net/forum?id=cGDAkQo1C0p

1. 简介

时间序列预测中的主要挑战之一是数据分布漂移问题(distribution shift problem),即数据分布,比如数据的均值方差等,会随着时间而变化,这会给时序预测问题造成一定的难度(这类数据也成为非平稳数据non-stationary)。而在时序预测任务中,训练集和测试集往往是时间来划分的,这天然会引入训练集和测试集分布不一致的问题,此外,不同输入序列也会有数据分布不一致的问题。这两个不一致的问题都可能会导致模型效果的下降。

为了解决上述问题,可以想办法去除数据中的非平稳信息,但是如果只是简单的消除非平稳信息,会导致非平稳信息丢失,这可能会影响到模型无法学习到这部分信息,进而影响到模型效果。因此,论文提出了在模型输出后显式恢复非平稳信息的思路,这样既使模型在学习时忽略了数据漂移的问题,又避免了非平稳信息的丢失。

本篇论文提出的是一种数据规范化的方法,命名为“可逆实例规范化” (reversible instance normalization,RevIN)。具体来说,RevIN包含两部分,规范化和逆规范化,首先在数据输入模型前,将数据进行规范化,然后经过模型学习后得到模型输出,最后对模型输出进行反规范化。RevIN是一种灵活的,端到端的可训练层,能够被应用到任意模型层。

论文将RevIN运用到多种SOTA的时序预测模型上,均取得了较好的效果,下图是一个效果的直观对比。
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习

2. 论文方法介绍

定义
将时序预测任务的输入表示为: X = { x ( i ) } i = 1 N X = \{x^{(i)}\}_{i=1}^N X={x(i)}i=1N,对应的输出表示为: Y = { y ( i ) } i = 1 N Y = \{y^{(i)}\}_{i=1}^N Y={y(i)}i=1N,其中N表示序列数量。
定义变量:
K K K: 变量数
T x T_x Tx: 输入序列长度
T y T_y Ty: 输出序列长度

给定输入: x ( i ) ∈ R K × T x x^{(i)} \in R^{K \times T_x} x(i)RK×Tx, 目标是预测输出: y ( i ) ∈ R K × T y y^{(i)} \in R^{K \times T_y} y(i)RK×Ty

RevIN包含对称的两部分,normalization和denormalization。首先对原始数据进行规范化,对每个输入 x ( i ) x^{(i)} x(i),进行实例规范化,即使用自身的均值和方差进行规范化。具体计算过程如下:
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习
这里 γ , β ∈ R K \gamma, \beta \in R^K γ,βRK是可学习的仿射变换参数。
反规范化方法如下,和规范化阶段使用相同的参数值。
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习

整个方法的整体架构如下图所示。
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习

图3展示了整个workflow过程中数据分布的变化。相对于BN用于解决层间参数分布的偏移问题,论文更倾向于将提出的方法解读为encoder-decoder,先清洗数据,去除非平稳信息,最后再恢复。可以看出RevIN是模型无关的一种方法。
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习

3. 实验结果

【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习

RevIN方法和其他经典的规范化或归一化方法对比,可以看到RevIN方法有明显的优势。注意,这里的min-max和z-score都是实例维度的,不是整体数据集的。
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习
图5展示了RevIN对中间层的分布偏移也能一定程度的缓解。
【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib,时序预测,机器学习,人工智能,深度学习

4. 总结

这篇论文提出的方法相对比较简单,运用起来成本也较低,有很好的启发性。文章来源地址https://www.toymoban.com/news/detail-620379.html

到了这里,关于【论文阅读】RevIN - Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distrib的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【论文笔记】CRN: Camera Radar Net for Accurate, Robust, Efficient 3D Perception

    原文链接:https://arxiv.org/abs/2304.00670   本文提出两阶段融合方法CRN,能使用相机和雷达生成语义丰富且位置精确的BEV特征。具体来说,首先将图像透视特征转换到BEV下,该步骤依赖雷达,称为雷达辅助的视图变换(RVT)。由于转换得到的BEV特征并非完全精确,接下来的多模

    2024年02月03日
    浏览(64)
  • 论文笔记:Accurate Map Matching Method for Mobile Phone Signaling Data Under Spatio-Temporal Uncertainty

    IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS 2023 1.1.1 GPS、CDR与MSD数据 之前的地图匹配主要是针对GPS数据 GPS数据在全球范围内可用且在定位上相对精确 然而, GPS也存在一些局限性 作为主动生成的数据,GPS耗能大 由于需要主动收集,GPS可能无法随时随地获得 ——以上两点都限

    2024年01月18日
    浏览(43)
  • 【论文阅读】【yolo系列】YOLACT Real-time Instance Segmentation

    论文链接:https://arxiv.org/pdf/1904.02689.pdf 【 实例分割 】 鉴于其重要性,大量的研究投入到实例分割的准确性。 两阶段 :Mask-RCNN [18]是一种具有代表性的两阶段实例分割方法,它首先生成候选感兴趣区域(roi),然后在第二阶段对这些roi进行分类和分割。后续工作试图通过提

    2024年02月16日
    浏览(40)
  • 【论文阅读】Deep Instance Segmentation With Automotive Radar Detection Points

    基于汽车雷达检测点的深度 实例分割 一个区别: automotive radar  汽车雷达 : 分辨率低,点云稀疏,语义上模糊,不适合直接使用用于密集LiDAR点开发的方法  ; 返回的物体图像不如LIDAR精确,可以在雨,雪,雨夹雪,冰雹,雾,泥和尘土中返回; 在夜间和阴天条件下也比激

    2024年02月13日
    浏览(49)
  • 大一统模型 Universal Instance Perception as Object Discovery and Retrieval 论文阅读笔记

    写在前面   马上又是一周周末了,开始写论文博客啦。   这是一篇顶会文章,标题很清楚,就是一个一统的框架用于解决各种任务。这类文章在 21 年的时候挺多的,现在倒是不常见了。因为需要的资源很多,外部数据集也很庞大,一般的小资源团队基本搞不定。但一旦

    2024年02月04日
    浏览(53)
  • 论文阅读 (90):Proposal-based Multiple Instance Learning (P-MIL, 2023CVPR)

    名称 :提案多示例学习 (proposal-based multiple instance learning, P-MIL) 背景 :弱监督时间动作定位,即仅在视频级标签下定位和识别未修剪视频中的动作。不考虑实例级标签时,已有方法大多使用 基于片段的多示例 (S-MIL) 框架。 问题 : 如图1(a)所示,测试阶段的目的是将动作提案

    2024年02月08日
    浏览(35)
  • 2023 Mask R-CNN 改进:DynaMask: Dynamic Mask Selection for Instance Segmentation 论文笔记

    写在前面   本周更新的第二篇论文阅读,2023年每周一篇博文,还剩5篇未补,继续加油~ 论文地址:DynaMask: Dynamic Mask Selection for Instance Segmentation 代码地址:https://github.com/lslrh/DynaMask 收录于:CVPR 2023 欢迎关注,主页更多干货,持续输出中~   一般的实例分割通常采用固定

    2024年02月01日
    浏览(81)
  • [论文阅读]A ConvNet for the 2020s

    视觉识别的咆哮的20年代开始于ViTs的引入,它很快取代了卷积神经网络,成为最先进的图像分类模型。另一方面,一个原始的ViT在用于一般的比如目标识别和语义分割的计算机视觉任务的时候面临困难。层次Transformer(例如,Swin-Transformer),它重新引入了几个卷积神经网络先验

    2024年02月07日
    浏览(44)
  • Hopper: Interpretative Fuzzing for Libraries——论文阅读

    problem 1 :虽然目前最先进的fuzzers能够有效地生成输入,但是现有的模糊驱动程序仍然不能全面覆盖库的入口。(entries in libraries,库中的不同条目或入口点。包括调用库中的函数、使用库中的类等) problem 2 :大多数模糊驱动程序都是开发人员手工制作的,它们的质量取决于开

    2024年02月02日
    浏览(41)
  • 【论文阅读——Profit Allocation for Federated Learning】

    由于更为严格的数据管理法规,如《通用数据保护条例》(GDPR),传统的机器学习服务生产模式正在转向联邦学习这一范式。联邦学习允许多个数据提供者在其本地保留数据的同时,协作训练一个共享模型。推动联邦学习实际应用的关键在于如何将联合模型产生的利润公平地

    2024年04月13日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包