Fugu-MT 論文翻訳(概要): Discovering Nonlinear Relations with Minimum Predictive Information Regularization

論文の概要: Discovering Nonlinear Relations with Minimum Predictive Information Regularization

arxiv url: http://arxiv.org/abs/2001.01885v1
Date: Tue, 7 Jan 2020 04:28:00 GMT
ステータス: 処理完了
システム内更新日: 2023-01-13 20:06:00.244168
Title: Discovering Nonlinear Relations with Minimum Predictive Information Regularization
Title（参考訳）: 最小予測情報正規化による非線形関係の発見
Authors: Tailin Wu, Thomas Breuel, Michael Skuhersky and Jan Kautz
Abstract要約: 本稿では,時系列から方向関係を推定する最小限の情報正規化手法を提案する。本手法は, 合成データセットの非線形関係を学習するための他の手法よりも優れている。
参考スコア（独自算出の注目度）: 67.7764810514585
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identifying the underlying directional relations from observational time series with nonlinear interactions and complex relational structures is key to a wide range of applications, yet remains a hard problem. In this work, we introduce a novel minimum predictive information regularization method to infer directional relations from time series, allowing deep learning models to discover nonlinear relations. Our method substantially outperforms other methods for learning nonlinear relations in synthetic datasets, and discovers the directional relations in a video game environment and a heart-rate vs. breath-rate dataset.
Abstract（参考訳）: 非線形相互作用と複雑な関係構造を持つ観測時系列から基礎となる方向関係を同定することは、幅広い応用の鍵となるが、依然として難しい問題である。本研究では,時系列から方向関係を推測する最小限の予測情報正規化手法を導入し,深層学習モデルによる非線形関係の発見を可能にする。本手法は, 合成データセットにおける非線形関係を学習する他の手法を実質的に上回り, ビデオゲーム環境と心拍対呼吸速度データセットの方向関係を探索する。

関連論文リスト

Intrinsic Dimension Correlation: uncovering nonlinear connections in multimodal representations [0.4223422932643755]
本稿では,内在次元と相関関係の絡み合いを利用して相関関係を定量化する計量を提案する。まず,制御環境における合成データの検証を行い,その利点と欠点を既存手法と比較した。ニューラルネットワーク表現における大規模アプリケーションに分析を拡張します。
論文参考訳（メタデータ） (2024-06-22T10:36:04Z)
TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data [0.42156176975445486]
本稿では,時系列因果ニューラルネットワーク(TS-Causal Neural Network,TS-CausalNN)を提案する。単純な並列設計に加えて、提案モデルの利点は、データの非定常性と非線形性を自然に扱うことである。
論文参考訳（メタデータ） (2024-04-01T20:33:29Z)
Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文参考訳（メタデータ） (2023-09-20T08:11:58Z)
Open Set Relation Extraction via Unknown-Aware Training [72.10462476890784]
負のインスタンスを動的に合成することでモデルを正規化する未知の学習手法を提案する。テキストの敵対的攻撃に触発されて、我々は適応的に、小さいが重要な摂動を元のトレーニングインスタンスに適用する。実験結果から, 既知の関係の分類を損なうことなく, 未知の関係検出を行うことができた。
論文参考訳（メタデータ） (2023-06-08T05:45:25Z)
Relation-dependent Contrastive Learning with Cluster Sampling for Inductive Relation Prediction [30.404149577013595]
帰納的関係予測のための関係依存型コントラスト学習(ReCoLe)を導入する。 GNNベースのエンコーダはコントラスト学習によって最適化され、ロングテール関係における良好な性能が保証される。実験結果から、ReCoLeは一般的に使用される帰納的データセット上で最先端の手法より優れていることが示唆された。
論文参考訳（メタデータ） (2022-11-22T13:30:49Z)
ViRel: Unsupervised Visual Relations Discovery with Graph-level Analogy [65.5580334698777]
ViRelは、グラフレベルのアナロジーを用いた視覚関係の教師なし発見と学習のための方法である。本研究では,関係分類において95%以上の精度を達成できることを示す。さらに、より複雑な関係構造を持つ未確認タスクに一般化する。
論文参考訳（メタデータ） (2022-07-04T16:56:45Z)
Mining Feature Relationships in Data [0.0]
特徴関係マイニング(FRM)は、データの連続的または分類的特徴間の象徴的関係を自動的に発見する遺伝的プログラミング手法である。提案手法は,特徴間の関係を明確に発見することを目的とした,最初の象徴的アプローチである。実世界の様々なデータセットに対する実証テストにより、提案手法は高品質で単純な特徴関係を見つけることができることを示した。
論文参考訳（メタデータ） (2021-02-02T07:06:16Z)
Discovering dependencies in complex physical systems using Neural Networks [0.0]
非線形関係を発見するための汎用フレームワークとして,相互情報とディープニューラルネットワークに基づく手法を提案する。本手法の実際の多変数非線形力学系への応用を実証する。
論文参考訳（メタデータ） (2021-01-27T18:59:19Z)
Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文参考訳（メタデータ） (2020-11-27T06:21:12Z)
One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
論文参考訳（メタデータ） (2020-10-23T03:24:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。