論文の概要: Latent State Inference in a Spatiotemporal Generative Model
- arxiv url: http://arxiv.org/abs/2009.09823v2
- Date: Sun, 15 Aug 2021 17:02:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 04:15:11.372614
- Title: Latent State Inference in a Spatiotemporal Generative Model
- Title(参考訳): 時空間生成モデルにおける潜時状態推定
- Authors: Matthias Karlbauer, Tobias Menge, Sebastian Otte, Hendrik P.A. Lensch,
Thomas Scholten, Volker Wulfmeyer, and Martin V. Butz
- Abstract要約: 我々は、波動伝播力学を含む温度と気象の過程に注目し、普遍的な原因は空間と時間にわたって適用されると仮定する。
最近導入されたDIsed Stemporal graph Artificial Neural Architecture (DISTANA)を使用して、そのようなプロセスを学ぶ。
DISTANAは、アクティブチューニングと呼ばれる振り返り状態推論原則と組み合わせることで、位置参照型隠れ因果関係を確実に導出できることを示す。
- 参考スコア(独自算出の注目度): 3.7525506486107267
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge about the hidden factors that determine particular system dynamics
is crucial for both explaining them and pursuing goal-directed interventions.
Inferring these factors from time series data without supervision remains an
open challenge. Here, we focus on spatiotemporal processes, including wave
propagation and weather dynamics, for which we assume that universal causes
(e.g. physics) apply throughout space and time. A recently introduced
DIstributed SpatioTemporal graph Artificial Neural network Architecture
(DISTANA) is used and enhanced to learn such processes, requiring fewer
parameters and achieving significantly more accurate predictions compared to
temporal convolutional neural networks and other related approaches. We show
that DISTANA, when combined with a retrospective latent state inference
principle called active tuning, can reliably derive location-respective hidden
causal factors. In a current weather prediction benchmark, DISTANA infers our
planet's land-sea mask solely by observing temperature dynamics and, meanwhile,
uses the self inferred information to improve its own future temperature
predictions.
- Abstract(参考訳): 特定のシステムダイナミクスを決定する隠れた要因に関する知識は、それらの説明と目標指向の介入の両方に不可欠である。
時系列データからこれらの要因を監督なしで推測することは、まだ未解決の課題である。
ここでは, 波動伝播や気象力学などの時空間過程に着目し, 普遍的な原因(物理など)が空間と時間を通じて適用されると仮定する。
最近導入されたDIstributed SpatioTemporal Graph Artificial Neural Network Architecture (DISTANA)を使用して、そのようなプロセスを学び、パラメータを少なくし、時間的畳み込みニューラルネットワークや他の関連するアプローチと比較してはるかに正確な予測を行う。
我々は,ディスタナがアクティブチューニングと呼ばれるふりかえり潜在状態推論の原則と組み合わさることで,位置参照的隠れ因果要因を確実に導出できることを示す。
現在の気象予報ベンチマークでは、ディスタナは地球の陸海マスクを温度のダイナミクスを観測することで推測し、一方、自己推論情報を用いて将来の気温予測を改善する。
関連論文リスト
- CloudNine: Analyzing Meteorological Observation Impact on Weather
Prediction Using Explainable Graph Neural Networks [1.9019250262578853]
CloudNine'は、説明可能なグラフニューラルネットワーク(XGNN)に基づく特定の予測に対する個々の観測の影響の分析を可能にする
本研究では,地球系の3次元空間における観測をWebアプリケーションで探索し,個々の観測が特定の空間領域や時間領域における予測に与える影響を可視化する。
論文 参考訳(メタデータ) (2024-02-21T01:29:17Z) - TempME: Towards the Explainability of Temporal Graph Neural Networks via
Motif Discovery [15.573944320072284]
本稿では、時間グラフニューラルネットワーク(TGNN)の予測を導く最も重要な時間的モチーフを明らかにするTempMEを提案する。
TempMEは、最も相互作用に関連するモチーフを抽出し、含んでいる情報の量を最小化し、説明の空間性と簡潔性を維持する。
実験では、TempMEの優位性が検証され、6つの実世界のデータセットで説明精度が最大8.21%向上し、現在のTGNNの平均精度が最大22.96%向上した。
論文 参考訳(メタデータ) (2023-10-30T07:51:41Z) - Towards Spatio-temporal Sea Surface Temperature Forecasting via Static
and Dynamic Learnable Personalized Graph Convolution Network [9.189893653029076]
本稿では,静的で動的に学習可能なグラフ畳み込みネットワーク(SD-LPGC)を提案する。
具体的には、SST信号に隠された安定な長期的および短期的な進化パターンをモデル化するために、2つのグラフ学習層が構築される。
そして、学習可能なパーソナライズされた畳み込み層が、この情報を融合するように設計されている。
論文 参考訳(メタデータ) (2023-04-12T14:35:38Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [56.22339016797785]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳(メタデータ) (2023-01-05T22:10:16Z) - Mining Causality from Continuous-time Dynamics Models: An Application to
Tsunami Forecasting [22.434845478979604]
本研究では,連続時間モデルから因果構造を抽出する機構を提案する。
我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。
本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
論文 参考訳(メタデータ) (2022-10-10T18:53:13Z) - STAU: A SpatioTemporal-Aware Unit for Video Prediction and Beyond [78.129039340528]
本稿では,映像予測などのための時間認識ユニット(STAU)を提案する。
我々のSTAUは、性能と効率の点で、全てのタスクにおける他のメソッドよりも優れています。
論文 参考訳(メタデータ) (2022-04-20T13:42:51Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Inferring, Predicting, and Denoising Causal Wave Dynamics [3.9407250051441403]
DISTANA(Distributed Artificial Neural Network Architecture)は、グラフ畳み込みニューラルネットワークである。
DISTANAは、再帰パターンが観測されるので、データストリームを飾るのに非常に適していることを示す。
安定かつ正確なクローズドループ予測を数百の時間ステップで生成する。
論文 参考訳(メタデータ) (2020-09-19T08:33:53Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z)
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。