Surrogate Data Source Transfer (SDST): An Efficient Transfer Learning Approach for Time Series Forecasting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Time series prediction plays a crucial role in optimizing the operation of communication networks. Applications of time series prediction include traffic prediction, channel state prediction, handover prediction, etc. However, training high-quality models for these tasks requires large volumes of historical data. This requirement may not be available in some scenarios. In this case, instance-based Transfer Learning (TL) comes as a prominent solution for this problem. However, a few concerns could be raised such as: 1) the time and bandwidth resources consumed in the transfer, 2) it will be hard to specify the amount of data to be transferred, and 3) in case of transferring a subset of the data, which subset is better to transfer. To address these challenges, we propose a novel approach for TL, which is similar to, but different than, instance-based TL based on generative models. We coined the new approach as Surrogate Data Source Transfer (SDST), in which a generative model is trained on the source task. We then transfer the model to the target task (with limited historical data). Extensive experiments confirm the superior performance of the proposed approach in terms of prediction accuracy and consumed resources (time and bandwidth). Our TL approach reduced the mean absolute percentage error (MAPE) by a margin that hits 81% in some datasets. For the source code and data, we refer to the repository https://github.com/MoeR3za/Korsahy_TGAN.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle