هوش مصنوعی
روش FARR خطای پیش‌بینی‌های بلندمدت سری زمانی را با شواهد انتهای بازه اصلاح می‌کند
پژوهشگران می‌گویند روش پیشنهادی‌شان در چهار معیار پیش‌بینی، بهترین میانگین MSE و MAE را در میان روش‌های مقایسه‌شده به دست آورده است.
پیش‌شرط‌گذاری با اطلاعات کمکی همیشه دقت پیش‌بینی سری‌های زمانی را بهتر نمی‌کند و اگر با زمینهٔ زمانی داده‌ها هماهنگ نباشد، ممکن است خطا را افزایش دهد. پژوهشگران در مقاله‌ای پیش‌چاپ، روش Forecast-Aware Residual Refinement یا FARR را برای اصلاح چنین پیش‌بینی‌هایی معرفی کرده‌اند.
FARR دو پیش‌بینی می‌سازد: یکی در شرایط معمول و دیگری در یک وضعیت خنثیِ ازپیش‌تعریف‌شده. اختلاف این دو، اثر اطلاعات کمکی بر پیش‌بینی را نشان می‌دهد. سپس یک اصلاح‌گرِ باقیمانده، این شواهد را همراه با ویژگی‌های تاریخی بررسی می‌کند تا خطای باقی‌ماندهٔ پیش‌بینی معمول را برآورد کند. سازوکار دروازه‌بندیِ وابسته به افق نیز میزان اثر این اصلاح را بر خروجی نهایی تنظیم می‌کند.
بر اساس چکیدهٔ مقاله، آزمایش‌ها روی چهار معیار پیش‌بینی بلندمدت سری زمانی نشان داده‌اند که FARR در میان روش‌های مقایسه‌شده، بهترین میانگین خطای مربعی میانگین (MSE) و خطای مطلق میانگین (MAE) را داشته است. مقاله در arXiv منتشر شده و نویسندگان گفته‌اند کد را منتشر خواهند کرد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده