Fugu-MT 論文翻訳(概要): Deep Markov Spatio-Temporal Factorization

論文の概要: Deep Markov Spatio-Temporal Factorization

arxiv url: http://arxiv.org/abs/2003.09779v2
Date: Tue, 18 Aug 2020 17:58:37 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 05:16:47.478522
Title: Deep Markov Spatio-Temporal Factorization
Title（参考訳）: 深部マルコフ時空間分解
Authors: Amirreza Farnoosh, Behnaz Rezaei, Eli Zachary Sennesh, Zulqarnain Khan, Jennifer Dy, Ajay Satpute, J Benjamin Hutchinson, Jan-Willem van de Meent, Sarah Ostadabbas
Abstract要約: Deep Markov-temporal factorization (DMSTF) はデータの動的解析のための生成モデルである。 DMSTFは、空間因子またはそれらの機能形式を生成的にパラメータ化するために、低次元空間潜時を学習する。時系列クラスタリングや制御信号における因子分析を行うために拡張可能な生成因子分析モデルの柔軟なファミリーでの結果が得られた。
参考スコア（独自算出の注目度）: 16.125473644303852
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce deep Markov spatio-temporal factorization (DMSTF), a generative model for dynamical analysis of spatio-temporal data. Like other factor analysis methods, DMSTF approximates high dimensional data by a product between time dependent weights and spatially dependent factors. These weights and factors are in turn represented in terms of lower dimensional latents inferred using stochastic variational inference. The innovation in DMSTF is that we parameterize weights in terms of a deep Markovian prior extendable with a discrete latent, which is able to characterize nonlinear multimodal temporal dynamics, and perform multidimensional time series forecasting. DMSTF learns a low dimensional spatial latent to generatively parameterize spatial factors or their functional forms in order to accommodate high spatial dimensionality. We parameterize the corresponding variational distribution using a bidirectional recurrent network in the low-level latent representations. This results in a flexible family of hierarchical deep generative factor analysis models that can be extended to perform time series clustering or perform factor analysis in the presence of a control signal. Our experiments, which include simulated and real-world data, demonstrate that DMSTF outperforms related methodologies in terms of predictive performance for unseen data, reveals meaningful clusters in the data, and performs forecasting in a variety of domains with potentially nonlinear temporal transitions.
Abstract（参考訳）: 我々は,時空間データの動的解析のための生成モデルであるdeep markov spatio-temporal factorization (dmstf)を提案する。他の因子分析法と同様に、DMSTFは時間依存重みと空間依存因子の間の積による高次元データを近似する。これらの重みと因子は、確率的変分推論を用いて推定される低次元の潜伏点の項で表される。 DMSTFの革新は、非線型多モード時間ダイナミクスを特徴付けることができ、多次元時系列予測を行うことができる離散潜在子で拡張可能なディープマルコフの項で重みをパラメータ化することである。 DMSTFは空間因子やそれらの機能形式を生成的にパラメータ化して高次元の空間的ラテントを学習する。低レベル潜在表現における双方向リカレントネットワークを用いて対応する変動分布をパラメータ化する。これにより、時系列クラスタリングや制御信号の存在下での因子分析を行うために拡張可能な、階層的な深層生成因子分析モデルの柔軟なファミリーが得られる。シミュレーションおよび実世界のデータを含む実験では、DMSTFは未確認データの予測性能において関連手法よりも優れており、データ中の有意義なクラスタを明らかにし、潜在的に非線形な時間遷移を伴う様々な領域で予測を行う。

関連論文リスト

Dynamical Regimes of Diffusion Models [14.797301819675454]
空間の次元とデータ数が大きい体制における生成拡散モデルについて検討する。本研究は, 逆向き発生拡散過程における3つの異なる動的状態を明らかにするものである。崩壊時間の次元とデータ数への依存性は、拡散モデルにおける次元の呪いの徹底的な評価を与える。
論文参考訳（メタデータ） (2024-02-28T17:19:26Z)
A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文参考訳（メタデータ） (2024-02-26T04:39:01Z)
PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文参考訳（メタデータ） (2024-02-25T17:39:44Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-02-18T05:35:01Z)
Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文参考訳（メタデータ） (2023-10-11T18:38:28Z)
Disentangled Generative Models for Robust Prediction of System Dynamics [2.6424064030995957]
本研究では,動的システムの領域パラメータをデータ生成過程の変動要因として扱う。教師付き不整合と因果分解のアイデアを活用することにより、生成モデルの潜在空間における力学から領域パラメータを分離することを目指す。その結果,不整合VAEはトレーニングデータに存在しない領域パラメータ空間に適応することが示唆された。
論文参考訳（メタデータ） (2021-08-26T09:58:06Z)
Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
論文参考訳（メタデータ） (2021-04-09T14:30:35Z)
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文参考訳（メタデータ） (2020-10-08T20:25:52Z)
Deep Switching Auto-Regressive Factorization:Application to Time Series Forecasting [16.934920617960085]
DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。 DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
論文参考訳（メタデータ） (2020-09-10T20:15:59Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。