ใช้การเรียนรู้เชิงลึกสำหรับการทำนายอนุกรมเวลา


54

ฉันใหม่ในด้านการเรียนรู้อย่างลึกซึ้งและสำหรับฉันขั้นตอนแรกคือการอ่านบทความที่น่าสนใจจากเว็บไซต์ deeplearning.net ในเอกสารเกี่ยวกับการเรียนรู้อย่างลึกซึ้งฮินตันและคนอื่น ๆ ส่วนใหญ่พูดถึงการใช้มันกับปัญหาภาพ ใครบางคนพยายามที่จะตอบฉันว่ามันสามารถนำไปใช้กับปัญหาของการทำนายค่าอนุกรมเวลา (การเงินการจราจรทางอินเทอร์เน็ต ... ) และสิ่งที่สำคัญที่ฉันควรมุ่งเน้นถ้าเป็นไปได้?


คุณมีตัวอย่างรหัส MATLAB สำหรับการเรียนรู้เชิงลึกเพื่อการคาดการณ์หรือไม่?
user3209559

ไม่ฉันใช้ตัวอย่างรหัสจากdeeplearning.net และpylearn2 libraryที่ฉันแก้ไข ลองค้นหาตัวอย่างรหัส matlab ในหน้านี้และลองทำการแก้ไขที่จำเป็นสำหรับการคาดการณ์
Vedran

คำตอบ:


28

มีงานบางส่วนในการปรับวิธีการเรียนรู้ลึกสำหรับข้อมูลตามลำดับ งานจำนวนมากได้มุ่งเน้นไปที่การพัฒนา "โมดูล" ซึ่งสามารถซ้อนกันในลักษณะที่คล้ายคลึงกับการจัดเรียงเครื่อง boltzmann (RBMs) หรือเครื่องสร้างรหัสอัตโนมัติแบบอัตโนมัติเพื่อสร้างเครือข่ายประสาทลึก ฉันจะเน้นไม่กี่ด้านล่าง:

  • เงื่อนไข RBMs : อาจเป็นหนึ่งในแอพพลิเคชั่นที่ประสบความสำเร็จมากที่สุดของการเรียนรู้เชิงลึกสำหรับอนุกรมเวลา เทย์เลอร์พัฒนา RBM เหมือนโมเดลที่เพิ่มการตอบสนองชั่วคราวระหว่างหน่วยที่มองเห็นได้และนำไปใช้กับการสร้างแบบจำลองข้อมูลการจับการเคลื่อนไหว โดยพื้นฐานแล้วคุณจะต้องจบลงด้วยบางสิ่งบางอย่างเช่นระบบไดนามิคเชิงเส้นที่มีความไม่เชิงเส้นเพิ่มเข้ามาโดยหน่วยที่ซ่อนอยู่
  • ชั่วคราว RBMs : ในวิทยานิพนธ์ของเขา (ส่วนที่ 3) Ilya Sutskever พัฒนา RBM หลายอย่างเช่นแบบจำลองที่มีการโต้ตอบชั่วคราวระหว่างหน่วย นอกจากนี้เขายังนำเสนอผลลัพธ์ที่น่าสนใจซึ่งแสดงให้เห็นว่าการฝึกอบรมเครือข่ายประสาทที่เกิดขึ้นกับ SGD สามารถทำได้ดีกว่าหรือดีกว่าวิธีที่ซับซ้อนกว่าเช่นอัลกอริธึมที่ปราศจาก Hessian ของ Martens โดยใช้การกำหนดค่าเริ่มต้นที่ดี
  • Recursive Autoencoders : ในที่สุดฉันจะพูดถึงงานของ Richard Socher เกี่ยวกับการใช้ autoencoders แบบเรียกซ้ำสำหรับการแยกวิเคราะห์ แม้ว่านี่ไม่ใช่ซีรีย์เวลา แต่ก็มีความเกี่ยวข้องกันอย่างแน่นอน

1
นอกจากนี้ยังมีความคิดที่ลอยอยู่รอบ ๆ ในชุมชนการเรียนรู้เชิงลึก / คุณลักษณะที่คุณสามารถดูเครือข่ายที่เกิดซ้ำ (มักใช้กับข้อมูลตามลำดับ) เป็นเครือข่ายลึก "ที่ด้านข้าง" ที่เลเยอร์ทั้งหมดใช้เมทริกซ์น้ำหนักร่วมกัน
lmjohns3

สิ่งที่เกี่ยวกับข้อกำหนดเกี่ยวกับพลังการคำนวณสำหรับการใช้การเรียนรู้อย่างลึกซึ้ง? Python หรือ Matlab เหมาะสมสำหรับการแก้ปัญหาความแข็งแกร่งของอุตสาหกรรมในการเรียนรู้ลึกหรือไม่?
user3269

Pylearn2 ใช้ไลบรารี theano ซึ่งเปิดใช้งานการดำเนินการกับ GPU ที่รองรับ CUDA
Vedran

16

ใช่สามารถใช้การเรียนรู้เชิงลึกสำหรับการทำนายอนุกรมเวลา ในความเป็นจริงมันทำมาหลายครั้งแล้วเช่น:

นี่ไม่ใช่ "กรณีพิเศษ" ใด ๆ การเรียนรู้ที่ลึกนั้นส่วนใหญ่เกี่ยวกับวิธีการเตรียมการ (ตามรูปแบบทั่วไป) ดังนั้นคุณต้องมุ่งเน้นไปที่สิ่งเดียวกับที่คุณมุ่งเน้นเมื่อคุณเรียนรู้อย่างลึกซึ้งใน "ความรู้สึกดั้งเดิม" ในที่เดียว มือและสิ่งเดียวกันที่คุณมุ่งเน้นในขณะที่ดำเนินการทำนายอนุกรมเวลาโดยไม่ต้องเรียนรู้ลึก


4

เครือข่ายประสาทที่เกิดขึ้นอีกเป็นประเภทการเรียนรู้ลึก (DL) ฉันคิดว่าพวกเขาเป็นเครื่องมือ DL ที่ได้รับความนิยมมากที่สุดสำหรับการเรียนรู้แบบต่อเนื่อง (1d) ขณะนี้พวกเขาเป็นพื้นฐานของวิธีการของ Neural Machine Translation (NMT) (เป็นผู้บุกเบิกปี 2014 ที่ LISA (UdeM), Google และอาจเป็นอีกสองคนที่ฉันจำไม่ได้)


3

ลำดับการสร้างของ Alex Graves กับ Recurrent Neural Networksใช้เครือข่ายที่เกิดขึ้นซ้ำและเซลล์หน่วยความจำระยะสั้นในระยะยาวเพื่อทำนายข้อความและทำการสังเคราะห์ลายมือ

Andrej Karpathy ได้เขียนบล็อกเกี่ยวกับการสร้างลำดับระดับตัวละครตั้งแต่ต้น เขาใช้ RNN ในการสอนของเขา

สำหรับตัวอย่างเพิ่มเติมคุณควรดู - Hochreiter, S. , & Schmidhuber, J. (1997) หน่วยความจำระยะสั้นระยะยาว การคำนวณทางประสาท, 9 (8), 2278-2380


3

บางทีนี่อาจช่วย:

หากคุณมีคำจำกัดความสำหรับหน้าต่างเวลาที่แน่นอนของคุณเกี่ยวกับข้อมูลเช่นประโยคในบทความหรือย่อหน้านี้คุณจะสามารถใช้ LSTM ได้ แต่ฉันไม่แน่ใจว่าจะหาหน้าต่างเวลาที่ไม่ชัดเจนและรู้บริบทมากขึ้นได้อย่างไร ตัวอย่างสำหรับข้อมูลจำนวนบันทึกที่คุณเห็นมีความเกี่ยวข้องและนั่นไม่ใช่สิ่งที่ชัดเจน


1
คุณอาจจะพูดว่าสิ่งที่อยู่ในกระดาษมีประโยชน์หรือไม่ นี่คือสิ่งที่น่าสนใจ
shadowtalker

1
ฉันคิดว่าคุณสามารถหาเอกสารอื่น ๆ ได้ที่นี่: cs.stanford.edu/people/ang/?page_id=414
M.Rez

5
ขอบคุณ แต่นั่นไม่ใช่สิ่งที่ฉันหมายถึง โดยทั่วไปแล้วเราขอให้ผู้คนอธิบายว่าเอกสารเชื่อมโยงเกี่ยวข้องกับคำตอบอย่างไร เป็นประโยชน์กับทุกคนที่อาจไม่มีเวลาติดตามและอ่านกระดาษและโดยเฉพาะอย่างยิ่งกับผู้ที่ไม่มีการสมัครสมาชิกฐานข้อมูลห้องสมุดที่ไม่สามารถชำระเงินในอดีตได้
shadowtalker
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.