論文の概要: RegFlow: Probabilistic Flow-based Regression for Future Prediction

• arxiv url: http://arxiv.org/abs/2011.14620v1
• Date: Mon, 30 Nov 2020 08:45:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 15:04:13.680691
• Title: RegFlow: Probabilistic Flow-based Regression for Future Prediction
• Title（参考訳）: RegFlow: 将来予測のための確率的フローベース回帰
• Authors: Maciej Zi\k{e}ba, Marcin Przewi\k{e}\'zlikowski, Marek \'Smieja, Jacek Tabor, Tomasz Trzcinski, Przemys{\l}aw Spurek
• Abstract要約: 我々は,モーダリティや基礎となる確率分布に関する制約がほとんどなく,将来の予測をモデル化できる,頑健で柔軟な確率確率フレームワークを導入する。 RegFlowと呼ばれる結果の方法は、いくつかのベンチマークデータセットで最先端の結果を達成し、競合するアプローチよりも大きなマージンで優れている。
• 参考スコア（独自算出の注目度）: 21.56753543722155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting future states or actions of a given system remains a fundamental, yet unsolved challenge of intelligence, especially in the scope of complex and non-deterministic scenarios, such as modeling behavior of humans. Existing approaches provide results under strong assumptions concerning unimodality of future states, or, at best, assuming specific probability distributions that often poorly fit to real-life conditions. In this work we introduce a robust and flexible probabilistic framework that allows to model future predictions with virtually no constrains regarding the modality or underlying probability distribution. To achieve this goal, we leverage a hypernetwork architecture and train a continuous normalizing flow model. The resulting method dubbed RegFlow achieves state-of-the-art results on several benchmark datasets, outperforming competing approaches by a significant margin.
• Abstract（参考訳）: システムの将来の状態や動作を予測することは、特に人間のモデリング行動のような複雑で非決定論的シナリオの範囲において、知能の基本的な、しかし未解決の課題である。 既存のアプローチは、将来の状態の一様性に関する強い仮定の下で結果を与えるか、あるいは少なくとも実生活条件に適さない特定の確率分布を仮定する。 本研究では,モダリティや根底確率分布に関する制約をほとんど持たず,将来の予測をモデル化できるロバストで柔軟な確率フレームワークを提案する。 この目標を達成するために、ハイパーネットワークアーキテクチャを活用して、連続正規化フローモデルをトレーニングします。 RegFlowと呼ばれる結果のメソッドは、いくつかのベンチマークデータセットで最先端の結果を達成する。

関連論文リスト

• Conformalised Conditional Normalising Flows for Joint Prediction Regions in time series [7.200880964149064]
  Conformal Predictionは、機械学習モデルの不確実性を定量化する強力なフレームワークを提供する。 正規化フローのような確率的生成モデルに共形予測を適用することは簡単ではない。 本研究では,条件付き正規化フローを適合させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T02:19:13Z)
• Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
  生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。 このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
  論文  参考訳（メタデータ） (2024-03-20T16:33:06Z)
• On the Efficient Marginalization of Probabilistic Sequence Models [3.5897534810405403]
  この論文は、複雑な確率的クエリに答えるために自己回帰モデルを使うことに焦点を当てている。 我々は,モデルに依存しない逐次モデルにおいて,境界化のための新しい,効率的な近似手法のクラスを開発する。
  論文  参考訳（メタデータ） (2024-03-06T19:29:08Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Probabilistic Forecasting with Generative Networks via Scoring Rule Minimization [5.5643498845134545]
  生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。 生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。 本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-15T15:51:12Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)
• FloMo: Tractable Motion Prediction with Normalizing Flows [0.0]
  ノイズサンプルと将来の動き分布の正規化フローによる密度推定問題として動作予測をモデル化する。 我々のモデルはFloMoと呼ばれ、単一のネットワークパスで確率を計算でき、最大推定で直接訓練することができる。 提案手法は,3つの一般的な予測データセットにおいて最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-03-05T11:35:27Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。