論文の概要: Generative Adversarial Networks for Spatio-temporal Data: A Survey
- arxiv url: http://arxiv.org/abs/2008.08903v4
- Date: Fri, 30 Jul 2021 02:36:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 22:31:22.077549
- Title: Generative Adversarial Networks for Spatio-temporal Data: A Survey
- Title(参考訳): 時空間データのための生成的敵対ネットワーク:調査
- Authors: Nan Gao, Hao Xue, Wei Shao, Sichen Zhao, Kyle Kai Qin, Arian Prabowo,
Mohammad Saiedur Rahaman, Flora D. Salim
- Abstract要約: GANベースの技術は、軌跡予測、イベント生成、時間的データ計算などのポイントベースのアプリケーションに有望であることが示されている。
我々は、時間的データのためのGANの最近の展開を包括的にレビューした。
- 参考スコア(独自算出の注目度): 8.575750904153201
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Adversarial Networks (GANs) have shown remarkable success in
producing realistic-looking images in the computer vision area. Recently,
GAN-based techniques are shown to be promising for spatio-temporal-based
applications such as trajectory prediction, events generation and time-series
data imputation. While several reviews for GANs in computer vision have been
presented, no one has considered addressing the practical applications and
challenges relevant to spatio-temporal data. In this paper, we have conducted a
comprehensive review of the recent developments of GANs for spatio-temporal
data. We summarise the application of popular GAN architectures for
spatio-temporal data and the common practices for evaluating the performance of
spatio-temporal applications with GANs. Finally, we point out future research
directions to benefit researchers in this area.
- Abstract(参考訳): Generative Adversarial Networks (GANs) は、コンピュータビジョン領域で現実的な画像を生成することに成功している。
近年, 軌跡予測, イベント生成, 時系列データ計算などの時空間的応用にGANベースの技術が期待されている。
コンピュータビジョンにおけるGANに関するいくつかのレビューが提示されているが、時空間データに関する実践的応用や課題に対処することを検討する人はいない。
本稿では,時空間データのためのgansの最近の展開を総合的に検討する。
我々は、時空間データに対する一般的なganアーキテクチャの適用とganを用いた時空間アプリケーションの性能評価に関する一般的なプラクティスを要約する。
最後に、この分野の研究者に利益をもたらすための今後の研究の方向性を指摘する。
関連論文リスト
- Efficient and Effective Time-Series Forecasting with Spiking Neural
Networks [50.195087118884665]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-02T16:23:50Z) - Deep Unsupervised Domain Adaptation for Time Series Classification: a
Benchmark [3.618615996077951]
Unsupervised Domain Adaptation (UDA)は、ラベル付きソースデータを利用してラベルなしターゲットデータのモデルをトレーニングすることを目的としている。
本稿では,時系列分類のためのUDA手法の評価ベンチマークを提案する。
さまざまなドメインシフトと時間的ダイナミクスをカバーする7つの新しいベンチマークデータセットを提供する。
論文 参考訳(メタデータ) (2023-12-15T15:03:55Z) - A Chronological Survey of Theoretical Advancements in Generative
Adversarial Networks for Computer Vision [0.0]
GAN(Generative Adversarial Networks)は、特にコンピュータビジョンの研究分野において、長年にわたりワークホース生成モデルである。
GANに関する多くの調査があり、様々な視点と視点から膨大なGAN文献を整理している。
この調査は、このギャップを埋め、GANの理論と応用に関するいくつかの画期的な研究成果を時系列順に示すことを目的としている。
論文 参考訳(メタデータ) (2023-11-02T05:11:47Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳(メタデータ) (2023-10-16T09:06:00Z) - A Survey on Graph Neural Networks for Time Series: Forecasting,
Classification, Imputation, and Anomaly Detection [70.06795936398636]
時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。
グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。
この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
論文 参考訳(メタデータ) (2023-07-07T08:05:03Z) - Graph Neural Network for spatiotemporal data: methods and applications [7.612070518526342]
グラフニューラルネットワーク(GNN)は、互いに依存したデータを理解する強力なツールとして登場した。
本稿では、時間領域におけるGNNの技術と応用について概観する。
論文 参考訳(メタデータ) (2023-05-30T02:27:17Z) - A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented,
Temporal and Depth-aware design [77.34726150561087]
我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。
私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
論文 参考訳(メタデータ) (2023-03-08T01:29:55Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Networked Time Series Prediction with Incomplete Data [59.45358694862176]
我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。
3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
論文 参考訳(メタデータ) (2021-10-05T18:20:42Z) - Generative adversarial networks in time series: A survey and taxonomy [7.885673762715387]
GAN(Generative Adversarial Network)の研究は、ここ数年で指数関数的に増加している。
GANアプリケーションは時系列やシーケンス生成といった分野にまたがって多様化してきた。
GANの比較的新しいニッチとして、フィールドワークは高品質で多様性があり、プライベートな時系列データの開発を続けている。
論文 参考訳(メタデータ) (2021-07-23T09:38:51Z)
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。