14:50 〜 15:10
[2N4-GS-10-05] 時系列・非時系列属性の混在データに対する埋込モデル
キーワード：多変量時系列分析、金融情報学
本研究では，時系列属性と非時系列属性が混在したデータセットに対し，より効果的な特徴量抽出を行うため，多変量時系列埋込モデルを応用した分類モデルを構築することを目的とする．
モデルは，Graph Deviation Network（GDN）を応用し，複数の時系列属性の相互依存と各時系列属性の埋込表現を学習し，非時系列属性を考慮した分類モデルである．
このモデルは，「時系列属性の埋込表現」と「非時系列属性を考慮した分類予測」を一連の学習として行うために時系列属性の埋込表現学習の部分まで再学習するような，事前学習・ファインチューニングによる転移学習を取り入れたEnd-to-Endモデルとして構築している．
従来手法との比較実験では，提案手法のGDN応用モデルが従来手法（勾配ブースティング）を上回る精度となり，GDN応用モデルの有用性が示された．
さらに，不均衡データを設定した追加実験においては，GDN応用モデルの損失関数をCross EntropyからDice Lossに替えることで一定水準の効果が得られ，GDN応用モデルにDice Lossを適用することによる不均衡データへの対処の効果も示された．
モデルは，Graph Deviation Network（GDN）を応用し，複数の時系列属性の相互依存と各時系列属性の埋込表現を学習し，非時系列属性を考慮した分類モデルである．
このモデルは，「時系列属性の埋込表現」と「非時系列属性を考慮した分類予測」を一連の学習として行うために時系列属性の埋込表現学習の部分まで再学習するような，事前学習・ファインチューニングによる転移学習を取り入れたEnd-to-Endモデルとして構築している．
従来手法との比較実験では，提案手法のGDN応用モデルが従来手法（勾配ブースティング）を上回る精度となり，GDN応用モデルの有用性が示された．
さらに，不均衡データを設定した追加実験においては，GDN応用モデルの損失関数をCross EntropyからDice Lossに替えることで一定水準の効果が得られ，GDN応用モデルにDice Lossを適用することによる不均衡データへの対処の効果も示された．
講演PDFパスワード認証
論文PDFの閲覧にはログインが必要です。参加登録者の方は「参加者用ログイン」画面からログインしてください。あるいは論文PDF閲覧用のパスワードを以下にご入力ください。