論文の概要: DSP: A Differential Spatial Prediction Scheme for Comprehensive real industrial datasets

• arxiv url: http://arxiv.org/abs/2008.09951v1
• Date: Sun, 23 Aug 2020 03:30:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 02:35:06.683150
• Title: DSP: A Differential Spatial Prediction Scheme for Comprehensive real industrial datasets
• Title（参考訳）: dsp:包括的実産業データセットのための差分空間予測手法
• Authors: Junjie Zhang, Cong Zhang, Neal N. Xiong
• Abstract要約: 多次元空間の構造が複雑になるほど、逆距離重み付きモデルの性能は低下する。 深部強化学習ネットワークに基づく空間予測とモデリングのための新しい枠組みを提案する。 提案手法は,複雑な空間構造特性を持つ実産業用データセットに適している。
• 参考スコア（独自算出の注目度）: 5.649863549269111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse Distance Weighted models (IDW) have been widely used for predicting and modeling multidimensional space in multimodal industrial processes. However, the more complex the structure of multidimensional space, the lower the performance of IDW models, and real industrial datasets tend to have more complex spatial structure. To solve this problem, a new framework for spatial prediction and modeling based on deep reinforcement learning network is proposed. In the proposed framework, the internal relationship between state and action is enhanced by reusing the state values in the Q network, and the convergence rate and stability of the deep reinforcement learning network are improved. The improved deep reinforcement learning network is then used to search for and learn the hyperparameters of each sample point in the inverse distance weighted model. These hyperparameters can reflect the spatial structure of the current industrial dataset to some extent. Then a spatial distribution of hyperparameters is constructed based on the learned hyperparameters. Each interpolation point obtains corresponding hyperparameters from the hyperparametric spatial distribution and brings them into the classical IDW models for prediction, thus achieving differential spatial prediction and modeling. The simulation results show that the proposed framework is suitable for real industrial datasets with complex spatial structure characteristics and is more accurate than current IDW models in spatial prediction.
• Abstract（参考訳）: 逆距離重み付きモデル(IDW)は多モード産業プロセスにおける多次元空間の予測とモデル化に広く用いられている。 しかし、多次元空間の構造が複雑になるほど、idwモデルの性能が低下し、実際の産業データセットはより複雑な空間構造を持つ傾向がある。 この問題を解決するために,深層強化学習ネットワークに基づく空間予測とモデリングのための新しいフレームワークを提案する。 提案手法では,qネットワークの状態値を再利用することにより,状態と動作の内部関係が向上し,深層強化学習ネットワークの収束率と安定性が向上する。 改良された深層強化学習ネットワークは、逆距離重みモデルにおける各サンプル点のハイパーパラメータの探索と学習に使用される。 これらのハイパーパラメータは、現在の産業データセットの空間構造をある程度反映することができる。 そして、学習したハイパーパラメータに基づいてハイパーパラメータの空間分布を構築する。 各補間点は、ハイパーパラメトリック空間分布から対応するハイパーパラメータを取得し、予測のために古典的なIDWモデルにそれらをもたらす。 シミュレーションの結果,提案手法は複雑な空間構造特性を持つ実産業データセットに適しており,空間予測における現在のidwモデルよりも精度が高いことがわかった。

関連論文リスト

• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• SeisFusion: Constrained Diffusion Model with Input Guidance for 3D Seismic Data Interpolation and Reconstruction [26.02191880837226]
  本研究では3次元地震データに適した新しい拡散モデル再構成フレームワークを提案する。 拡散モデルに3次元ニューラルネットワークアーキテクチャを導入し、2次元拡散モデルを3次元空間に拡張することに成功した。 本手法は、フィールドデータセットと合成データセットの両方に適用した場合、より優れた再構成精度を示す。
  論文  参考訳（メタデータ） (2024-03-18T05:10:13Z)
• 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)
• Bayesian Semi-structured Subspace Inference [0.0]
  半構造回帰モデルは、解釈可能な構造と複雑な非構造的特徴効果の合同モデリングを可能にする。 部分空間推論を用いた半構造化回帰モデルに対するベイズ近似を提案する。 提案手法は,シミュレーションおよび実世界のデータセット間での競合予測性能を示す。
  論文  参考訳（メタデータ） (2024-01-23T18:15:58Z)
• 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)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Enhancing Spatiotemporal Prediction Model using Modular Design and Beyond [2.323220706791067]
  時間と空間の両方でシーケンスを予測することは困難である。 主流の方法は、同時に時間構造と空間構造をモデル化することである。 配列モデルを空間エンコーダデコーダと予測器の2つのモジュールに組み込むモジュール設計を提案する。
  論文  参考訳（メタデータ） (2022-10-04T10:09:35Z)
• A Mutually Exciting Latent Space Hawkes Process Model for Continuous-time Networks [3.883893461313154]
  本稿では,ノードの潜在空間表現を用いた関係事象の連続時間ネットワークのための新しい生成モデルを提案する。 提案したLSHモデルは,相互性や推移性を含む実時間ネットワークで観測される多くの特徴を再現可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-19T00:56:12Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)

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。