Обучение прогнозированию многочисленных спатиовременных иерархий

arXiv: 261.20.21414v1 Annuate Type: new Humber: Hierarchical Provision использует структуры агрегирования, которые выявляют множество точек зрения на одну и ту же лежащую в основе проблему спрогнозирования при одновременном обеспечении согласованности прогнозов. Отдельные ряды данных дают тонкий анализ информации, в то время как крупногабаритные агрегированные показатели постепенно выявляют временные и пространственные структуры на различных уровнях. В соответствующих архитектурах глубокого обучения иерархия определяет, какие агрегированные ряды имеются в наличии и как они обрабатываются вместе с отдельными рядами (например, посредством согласования или передачи сообщений). Таким образом, различные иерархические структуры дают четкие сигналы обучения и индуктивные отклонения для прогнозирования одного и того же набора временных рядов. Тем не менее существующие архитектуры, как правило, обучаются единой, зачастую постоянной структуре. В этой работе мы предлагаем графическую систему глубокого обучения, которая позволяет использовать вариации между иерархиями как многозадачный процесс упорядочения. Мы показываем, что совместное обучение