論文の概要: Factorized Deep Generative Models for Trajectory Generation with
Spatiotemporal-Validity Constraints
- arxiv url: http://arxiv.org/abs/2009.09333v1
- Date: Sun, 20 Sep 2020 02:06:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 12:35:01.720093
- Title: Factorized Deep Generative Models for Trajectory Generation with
Spatiotemporal-Validity Constraints
- Title(参考訳): 時空間変動制約を考慮した軌道生成のための決定的深部生成モデル
- Authors: Liming Zhang, Liang Zhao, Dieter Pfoser
- Abstract要約: 軌跡データの深い生成モデルは、洗練された潜伏パターンの表現的説明モデルを学ぶことができる。
まず、時間不変変数と時間不変変数を分解する新しい深部生成モデルを提案する。
そこで我々は,時間的妥当性に対する変動推論と制約付き最適化に基づく新しい推論戦略を開発した。
- 参考スコア(独自算出の注目度): 10.960924101404498
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory data generation is an important domain that characterizes the
generative process of mobility data. Traditional methods heavily rely on
predefined heuristics and distributions and are weak in learning unknown
mechanisms. Inspired by the success of deep generative neural networks for
images and texts, a fast-developing research topic is deep generative models
for trajectory data which can learn expressively explanatory models for
sophisticated latent patterns. This is a nascent yet promising domain for many
applications. We first propose novel deep generative models factorizing
time-variant and time-invariant latent variables that characterize global and
local semantics, respectively. We then develop new inference strategies based
on variational inference and constrained optimization to encapsulate the
spatiotemporal validity. New deep neural network architectures have been
developed to implement the inference and generation models with
newly-generalized latent variable priors. The proposed methods achieved
significant improvements in quantitative and qualitative evaluations in
extensive experiments.
- Abstract(参考訳): 軌道データ生成は、モビリティデータの生成過程を特徴付ける重要な領域である。
伝統的な手法は事前定義されたヒューリスティックと分布に大きく依存しており、未知のメカニズムを学ぶのに弱い。
画像やテキストの深層生成ニューラルネットワークの成功に触発されて、高速に発展する研究トピックは、高度な潜伏パターンの表現的説明モデルを学ぶことができる軌跡データのための深部生成モデルである。
これは、多くのアプリケーションにとって、新しくて有望なドメインです。
まず、グローバルな意味論と局所的な意味論を特徴付ける時間不変変数と時間不変変数を分解する新しい深層生成モデルを提案する。
次に、時空間的妥当性をカプセル化する変動推論と制約付き最適化に基づく新しい推論戦略を開発する。
新しいディープニューラルネットワークアーキテクチャは、新しく一般化された潜在変数プリミティブによる推論と生成モデルを実装するために開発された。
提案手法は,広範囲な実験において定量的および定性的評価において著しく改善された。
関連論文リスト
- On the Resurgence of Recurrent Models for Long Sequences -- Survey and
Research Opportunities in the Transformer Era [59.279784235147254]
この調査は、Recurrenceの統一の傘の下に構築されたこれらのトレンドの概要を提供することを目的としている。
長いシーケンスを処理するという考え方を捨てる際に顕著になる新しい研究機会を強調している。
論文 参考訳(メタデータ) (2024-02-12T23:55:55Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - Generative Learning of Continuous Data by Tensor Networks [47.77281294161002]
本稿では,連続データのためのテンソルネットワーク生成モデルについて紹介する。
我々は、このモデルの性能を、いくつかの合成および実世界のデータセットでベンチマークする。
本手法は, 急速に成長する生成学習分野において, 量子インスピレーション法の有効性を示す重要な理論的, 実証的な証拠を与える。
論文 参考訳(メタデータ) (2023-10-31T14:37:37Z) - A stable deep adversarial learning approach for geological facies
generation [32.97208255533144]
深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。
本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
論文 参考訳(メタデータ) (2023-05-12T14:21:14Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳(メタデータ) (2022-09-06T16:56:21Z) - Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。
具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。
モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
論文 参考訳(メタデータ) (2022-05-21T20:01:31Z) - Stochastic Recurrent Neural Network for Multistep Time Series
Forecasting [0.0]
我々は、時系列予測のための繰り返しニューラルネットワークの適応を提案するために、深部生成モデルと状態空間モデルの概念の進歩を活用する。
私たちのモデルは、すべての関連情報が隠された状態でカプセル化されるリカレントニューラルネットワークのアーキテクチャ的な動作を保ち、この柔軟性により、モデルはシーケンシャルモデリングのために任意のディープアーキテクチャに簡単に統合できます。
論文 参考訳(メタデータ) (2021-04-26T01:43:43Z) - Generative Deep Learning Techniques for Password Generation [0.5249805590164902]
パスワード推測に照らして,深層学習モデルと確率ベースモデルの幅広い収集について検討した。
本研究では,最先端サンプリング性能を示す変分オートエンコーダを用いた新しい生成深層学習モデルを提案する。
我々は、よく知られたデータセット上の統一制御フレームワークにおいて、徹底的な経験分析を行う。
論文 参考訳(メタデータ) (2020-12-10T14:11:45Z) - Model-Based Robust Deep Learning: Generalizing to Natural,
Out-of-Distribution Data [104.69689574851724]
本稿では,摂動に基づく逆方向の強靭性からモデルに基づく頑健な深層学習へのパラダイムシフトを提案する。
我々の目標は、深層ニューラルネットワークを訓練し、データの自然な変動に対して堅牢にするための一般的なトレーニングアルゴリズムを提供することです。
論文 参考訳(メタデータ) (2020-05-20T13:46:31Z)
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。