ترجمه فارسی مقاله AALF: تقریباً همیشه پیش بینی خطی

چکیده

Recent works for time-series forecasting more and more leverage the high predictive power of Deep Learning models. With this increase in model complexity, however, comes a lack in understanding of the underlying model decision process, which is problematic for high-stakes decision making. At the same time, simple, interpretable forecasting methods such as Linear Models can still perform very well, sometimes on-par, with Deep Learning approaches. We argue that simple models are good enough most of the time, and forecasting performance can be improved by choosing a Deep Learning method only for certain predictions, increasing the overall interpretability of the forecasting process. In this context, we propose a novel online model selection framework which uses meta-learning to identify these predictions and only rarely uses a non-interpretable, large model. An extensive empirical study on various real-world datasets shows that our selection methodology outperforms state-of-the-art online model selections methods in most cases. We find that almost always choosing a simple Linear Model for forecasting results in competitive performance, suggesting that the need for opaque black-box models in time-series forecasting is smaller than recent works would suggest.

چکیده به فارسی (ترجمه ماشینی)

آثار اخیر برای پیش بینی سری زمانی بیشتر و بیشتر از قدرت پیش بینی کننده مدل های یادگیری عمیق استفاده می کنند.با این حال ، با این افزایش پیچیدگی مدل ، عدم درک فرآیند تصمیم گیری مدل اساسی ، که برای تصمیم گیری های پر سر و صدا مشکل ساز است ، به وجود می آید.در عین حال ، روشهای پیش بینی ساده و قابل تفسیر مانند مدلهای خطی هنوز هم می توانند با رویکردهای یادگیری عمیق بسیار خوب و گاه به صورت کاملاً خوب عمل کنند.ما استدلال می کنیم که مدل های ساده بیشتر اوقات به اندازه کافی خوب هستند و با انتخاب یک روش یادگیری عمیق فقط برای پیش بینی های خاص ، عملکرد پیش بینی می تواند بهبود یابد ، و باعث افزایش تفسیر کلی فرایند پیش بینی می شود.در این زمینه ، ما یک چارچوب انتخاب مدل آنلاین جدید را پیشنهاد می کنیم که از یادگیری متا برای شناسایی این پیش بینی ها استفاده می کند و فقط به ندرت از یک مدل بزرگ غیر قابل تفسیر استفاده می کند.یک مطالعه تجربی گسترده در مورد مجموعه داده های مختلف در دنیای واقعی نشان می دهد که روش انتخاب ما در بیشتر موارد از روشهای برتر انتخاب مدل آنلاین استفاده می کند.ما می دانیم که تقریباً همیشه انتخاب یک مدل خطی ساده برای نتایج پیش بینی در عملکرد رقابتی ، نشان می دهد که نیاز به مدل های مات و سیاه مات در پیش بینی سری زمانی کوچکتر از آنچه آثار اخیر نشان می دهد ، کوچکتر است.