Surrogate Data Source Transfer (SDST): An Efficient Transfer Learning Approach for Time Series Forecasting
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».