論文の概要: Learned Factor Graphs for Inference from Stationary Time Sequences
- arxiv url: http://arxiv.org/abs/2006.03258v4
- Date: Fri, 24 Dec 2021 10:26:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 03:26:18.855068
- Title: Learned Factor Graphs for Inference from Stationary Time Sequences
- Title（参考訳）: 定常時間系列からの推論のための学習因子グラフ
- Authors: Nir Shlezinger, Nariman Farsad, Yonina C. Eldar, and Andrea J.
Goldsmith
- Abstract要約: 定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 107.63351413549992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The design of methods for inference from time sequences has traditionally
relied on statistical models that describe the relation between a latent
desired sequence and the observed one. A broad family of model-based algorithms
have been derived to carry out inference at controllable complexity using
recursive computations over the factor graph representing the underlying
distribution. An alternative model-agnostic approach utilizes machine learning
(ML) methods. Here we propose a framework that combines model-based algorithms
and data-driven ML tools for stationary time sequences. In the proposed
approach, neural networks are developed to separately learn specific components
of a factor graph describing the distribution of the time sequence, rather than
the complete inference task. By exploiting stationary properties of this
distribution, the resulting approach can be applied to sequences of varying
temporal duration. Learned factor graph can be realized using compact neural
networks that are trainable using small training sets, or alternatively, be
used to improve upon existing deep inference systems. We present an inference
algorithm based on learned stationary factor graphs, which learns to implement
the sum-product scheme from labeled data, and can be applied to sequences of
different lengths. Our experimental results demonstrate the ability of the
proposed learned factor graphs to learn to carry out accurate inference from
small training sets for sleep stage detection using the Sleep-EDF dataset, as
well as for symbol detection in digital communications with unknown channels.
- Abstract（参考訳）: 時系列からの推論法の設計は、伝統的に、潜在希望シーケンスと観測されたシーケンスの関係を記述する統計モデルに依存してきた。
モデルに基づくアルゴリズムの幅広い系統が導出され、基礎となる分布を表す因子グラフ上の再帰的計算を用いて制御可能な複雑性で推論を行う。
別のモデルに依存しないアプローチでは、機械学習(ML)手法を用いる。
本稿では,モデルベースアルゴリズムとデータ駆動型MLツールを組み合わせた定常時間列のフレームワークを提案する。
提案手法では、完全な推論タスクではなく、時間系列の分布を記述する因子グラフの特定の成分を別々に学習するためにニューラルネットワークが開発された。
この分布の定常特性を利用することで、結果のアプローチを時間的変化の列に適用することができる。
学習された因子グラフは、小さなトレーニングセットを使用してトレーニング可能なコンパクトニューラルネットワークを使用して実現することができる。
本稿では,ラベル付きデータから和生成スキームを実装することを学習し,異なる長さのシーケンスに適用可能な,学習した定常因子グラフに基づく推論アルゴリズムを提案する。
提案する学習因子グラフは,sleep-edfデータセットを用いた睡眠ステージ検出や未知チャネルを用いたデジタル通信におけるシンボル検出のために,小さなトレーニングセットから正確な推論を行うことができることを示す。
関連論文リスト
- Graph Neural Flows for Unveiling Systemic Interactions Among Irregularly Sampled Time Series [5.460420960898444]
我々は不規則な時間点で観測された時系列の系統的相互作用を明らかにするグラフベースモデルを開発した。
時系列分類や予測など,いくつかの課題に対するアプローチの有効性を検証し,その有効性を実証する。
論文 参考訳（メタデータ） (2024-10-17T21:10:39Z) - Learning Signal Temporal Logic through Neural Network for Interpretable
Classification [13.829082181692872]
本稿では時系列行動の分類のための説明可能なニューラルネットワーク・シンボリック・フレームワークを提案する。
提案手法の計算効率, コンパクト性, 解釈可能性について, シナリオの駆動と海軍の監視事例研究を通じて実証する。
論文 参考訳（メタデータ） (2022-10-04T21:11:54Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳（メタデータ） (2022-02-05T08:21:04Z) - Discrete Graph Structure Learning for Forecasting Multiple Time Series [14.459541930646205]
時系列予測は統計学、経済学、コンピュータ科学において広く研究されている。
本研究では,グラフが未知である場合,グラフニューラルネットワーク(GNN)を同時に学習することを提案する。
経験的評価は、グラフ構造学習のための最近提案されたバイレベル学習アプローチよりも、よりシンプルで効率的で優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-01-18T03:36:33Z) - Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets [0.0]
時系列モデルの構築とトレーニングのための新しいアプローチを提案する。
提案手法は,非定常時系列の予測モデル構築に適している。
論文 参考訳（メタデータ） (2020-11-23T21:28:03Z) - Efficient Variational Bayesian Structure Learning of Dynamic Graphical
Models [19.591265962713837]
時間変化のグラフィカルモデルの推定は、様々な社会的、経済的、生物学的、工学的システムにおいて最重要となる。
既存の手法では、グラフの間隔と時間的滑らかさを制御するパラメータを広範囲にチューニングする必要がある。
我々はBADGEという低複素性チューニング自由ベイズアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-16T14:19:23Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z) - Data-Driven Factor Graphs for Deep Symbol Detection [107.63351413549992]
本稿では,因子グラフ法をデータ駆動方式で実装することを提案する。
特に,機械学習(ML)ツールを用いて因子グラフの学習を提案する。
我々は,BCJRNetと呼ばれる提案システムにおいて,BCJRアルゴリズムを小さなトレーニングセットから実装することを実証した。
論文 参考訳（メタデータ） (2020-01-31T09:23:52Z)
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。