論文の概要: Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets

• arxiv url: http://arxiv.org/abs/2011.11740v1
• Date: Mon, 23 Nov 2020 21:28:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-22 03:24:30.781940
• Title: Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets
• Title（参考訳）: 因果グラフネットによる不確かさ下での生活評価
• Authors: Charilaos Mylonas and Eleni Chatzi
• Abstract要約: 時系列モデルの構築とトレーニングのための新しいアプローチを提案する。 提案手法は,非定常時系列の予測モデル構築に適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, a novel approach for the construction and training of time series models is presented that deals with the problem of learning on large time series with non-equispaced observations, which at the same time may possess features of interest that span multiple scales. The proposed method is appropriate for constructing predictive models for non-stationary stochastic time series.The efficacy of the method is demonstrated on a simulated stochastic degradation dataset and on a real-world accelerated life testing dataset for ball-bearings. The proposed method, which is based on GraphNets, implicitly learns a model that describes the evolution of the system at the level of a state-vector rather than of a raw observation. The proposed approach is compared to a recurrent network with a temporal convolutional feature extractor head (RNN-tCNN) which forms a known viable alternative for the problem context considered. Finally, by taking advantage of recent advances in the computation of reparametrization gradients for learning probability distributions, a simple yet effective technique for representing prediction uncertainty as a Gamma distribution over remaining useful life predictions is employed.
• Abstract（参考訳）: 本研究では,時系列モデルの構築と学習のための新しいアプローチを提案し,非等間隔観測による大規模時系列学習の問題に対処し,同時に複数のスケールにまたがる興味のある特徴を持つ可能性を示した。 提案手法は,非定常確率時系列予測モデルの構築に適しており,シミュレーション確率分解データセットと実世界加速寿命試験データセットを用いて実効性を示す。 提案手法はグラフネットに基づくもので, 生の観測ではなく, 状態ベクトルのレベルでのシステム進化を記述するモデルとして暗黙的に学習する。 提案手法は, 時間的畳み込み特徴抽出ヘッド (RNN-tCNN) を用いた再帰的ネットワークと比較し, 検討した問題文脈に対して有効な代替手段となる。 最後に, 確率分布を学習するための再パラメータ化勾配の計算の最近の進歩を生かして, 残余の生活予測よりもガンマ分布として予測の不確実性を表現する単純な手法を用いる。

関連論文リスト

• ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations [18.64802090861607]
  ProGen Proは、不確実性を管理しながら依存関係を効果的にキャプチャする堅牢なソリューションを提供する。 4つのベンチマークトラフィックデータセットの実験により、ProGen Proは最先端の決定論的確率モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T14:37:30Z)
• Non-parametric Probabilistic Time Series Forecasting via Innovations Representation [29.255644836978956]
  確率的時系列予測は、過去の実現後の時間における時系列の条件付き確率分布を予測する。 既存のアプローチは主にパラメトリックまたは半パラメトリックの時系列モデルに基づいており、制限があり、検証が困難であり、様々な条件に適応することが困難である。 本論文では,Norbert Wiener と Gopinath Kallianpur の先駆的なエムイノベーションの古典的概念に基づく非パラメトリック手法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T02:24:59Z)
• Fast Estimation of Bayesian State Space Models Using Amortized Simulation-Based Inference [0.0]
  本稿では,ベイズ状態空間モデルの隠れ状態を推定するための高速アルゴリズムを提案する。 事前トレーニングの後、データセットの後方分布を見つけるには、100分の1秒から10分の1秒かかる。
  論文  参考訳（メタデータ） (2022-10-13T16:37:05Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
  自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。 提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
  論文  参考訳（メタデータ） (2021-07-08T10:37:24Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting [30.277213545837924]
  古典的な統計モデルの多くは、時系列データに存在する複雑さと高い非線形性を扱うのに不足することが多い。 本研究では,時系列データを非線形状態空間モデルからのランダムな実現とみなす。 粒子流は, 複雑で高次元的な設定において極めて有効であることを示すため, 状態の後方分布を近似するツールとして用いられる。
  論文  参考訳（メタデータ） (2021-06-10T21:49:23Z)
• 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)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。