論文の概要: Sparse Dynamic Distribution Decomposition: Efficient Integration of
Trajectory and Snapshot Time Series Data
- arxiv url: http://arxiv.org/abs/2006.05138v2
- Date: Thu, 11 Jun 2020 15:25:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 13:53:29.115663
- Title: Sparse Dynamic Distribution Decomposition: Efficient Integration of
Trajectory and Snapshot Time Series Data
- Title(参考訳): Sparse Dynamic Distribution Decomposition: 軌道とスナップショット時系列データの効率的な統合
- Authors: Jake P. Taylor-King, Cristian Regep, Jyothish Soman, Flawnson Tong,
Catalina Cangea, Charlie Roberts
- Abstract要約: 動的分散分解(DDD)はTaylor-Kingらによって導入された。
私たちは、DDDが軌道上の時系列(後続の時間ポイント間でペアリングされる)とスナップショットの時系列(未ペアリング時間ポイント)の両方を統合するのにどのように適しているかを示します。
特にバイオメディカルデータの分析には,一定時間地点(スナップショット)で個体群を観察し,フォローアップを繰り返した個々の患者旅行(軌跡)を観察する手法が有用である。
- 参考スコア(独自算出の注目度): 2.3977391435533373
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Dynamic Distribution Decomposition (DDD) was introduced in Taylor-King et.
al. (PLOS Comp Biol, 2020) as a variation on Dynamic Mode Decomposition. In
brief, by using basis functions over a continuous state space, DDD allows for
the fitting of continuous-time Markov chains over these basis functions and as
a result continuously maps between distributions. The number of parameters in
DDD scales by the square of the number of basis functions; we reformulate the
problem and restrict the method to compact basis functions which leads to the
inference of sparse matrices only -- hence reducing the number of parameters.
Finally, we demonstrate how DDD is suitable to integrate both trajectory time
series (paired between subsequent time points) and snapshot time series
(unpaired time points). Methods capable of integrating both scenarios are
particularly relevant for the analysis of biomedical data, whereby studies
observe population at fixed time points (snapshots) and individual patient
journeys with repeated follow ups (trajectories).
- Abstract(参考訳): 動的分散分解(DDD)はTaylor-Kingらによって導入された。
動的モード分解の変種としてのal.(plos comp biol, 2020)
簡単に言うと、DDDは、連続状態空間上の基底関数を使用することで、これらの基底関数に対する連続時間マルコフ連鎖の適合を可能にします。
dddのパラメータ数は基底関数の数の2乗でスケールします。問題を再構成し、メソッドをコンパクトな基底関数に制限することで、スパース行列のみの推論が可能になります。
最後に、DDDがトラジェクティブ時系列(後続の時間点間でペアリングされる)とスナップショット時系列(未ペアリング時間点)の両方を統合するのにどのように適しているかを示す。
どちらのシナリオも統合できる手法は、生物医学データの解析に特に重要であり、研究は、一定の時点(スナップショット)における個体数と、反復的なフォローアップ(軌道)を伴う個々の患者の移動を観察する。
関連論文リスト
- BRATI: Bidirectional Recurrent Attention for Time-Series Imputation [0.14999444543328289]
時系列分析におけるデータの欠落は、ダウンストリームアプリケーションの信頼性に影響を及ぼす、重大な課題を引き起こす。
本稿では,多変量時系列計算のための新しい深層学習モデルであるBRATIを紹介する。
BRATIは時間的依存を処理し、長い時間的水平線と短い時間的水平線をまたいだ特徴相関を処理し、その逆の時間的方向で動作する2つの計算ブロックを利用する。
論文 参考訳(メタデータ) (2025-01-09T17:50:56Z) - Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。
本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。
我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
論文 参考訳(メタデータ) (2024-10-03T09:07:13Z) - Distributed Stochastic Gradient Descent with Staleness: A Stochastic Delay Differential Equation Based Framework [56.82432591933544]
分散勾配降下(SGD)は、計算リソースのスケーリング、トレーニング時間の短縮、マシンラーニングにおけるユーザのプライバシ保護の支援などにより、近年注目されている。
本稿では,遅延微分方程式(SDDE)と勾配到着の近似に基づく分散SGDの実行時間と安定化について述べる。
活性化作業員の増加は, 安定度による分散SGDを必ずしも加速させるものではないことが興味深い。
論文 参考訳(メタデータ) (2024-06-17T02:56:55Z) - Spatio-temporal Diffusion Point Processes [23.74522530140201]
パティオ・テンポラル・ポイント・プロセス(英: patio-temporal point process、STPP)は、時間と空間を伴うイベントの集合である。
結合分布のモデル化に失敗すると、与えられた事象の過去の時間的相互作用を特徴づける能力は限られる。
複雑な時空間の関節分布を学習する新しいパラメータ化フレームワークを提案する。
我々のフレームワークは最先端のベースラインを著しく上回り、平均50%以上の改善がなされています。
論文 参考訳(メタデータ) (2023-05-21T08:53:00Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - TimesNet: Temporal 2D-Variation Modeling for General Time Series
Analysis [80.56913334060404]
時系列解析は、天気予報、異常検出、行動認識などの応用において非常に重要である。
従来の手法では、1D時系列から直接これを達成しようと試みていた。
複雑な経時的変化を、複数の経時的変化と経時的変化に明らかにする。
論文 参考訳(メタデータ) (2022-10-05T12:19:51Z) - Parallel framework for Dynamic Domain Decomposition of Data Assimilation
problems a case study on Kalman Filter algorithm [0.0]
偏微分方程式 (PDE) に基づくデータ近似問題 (DA) を変分法とカルマンフィルタアルゴリズムを用いて解いた。
最近,空間と時間方向に沿った物理領域全体の分解を行うドメイン分解フレームワークについて紹介した。
論文 参考訳(メタデータ) (2022-01-09T20:17:38Z) - The Connection between Discrete- and Continuous-Time Descriptions of
Gaussian Continuous Processes [60.35125735474386]
我々は、一貫した推定子をもたらす離散化が粗粒化下での不変性を持つことを示す。
この結果は、導関数再構成のための微分スキームと局所時間推論アプローチの組み合わせが、2次または高次微分方程式の時系列解析に役立たない理由を説明する。
論文 参考訳(メタデータ) (2021-01-16T17:11:02Z) - Graph Gamma Process Generalized Linear Dynamical Systems [60.467040479276704]
実マルチ変数時系列をモデル化するために,グラフガンマ過程(GGP)線形力学系を導入する。
時間的パターン発見のために、モデルの下での潜在表現は、時系列を多変量部分列の同相集合に分解するために使用される。
非零次ノード数が有限であるランダムグラフを用いて、潜時状態遷移行列の空間パターンと次元の両方を定義する。
論文 参考訳(メタデータ) (2020-07-25T04:16:34Z)
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。