論文の概要: Uncertainty Intervals for Graph-based Spatio-Temporal Traffic Prediction
- arxiv url: http://arxiv.org/abs/2012.05207v1
- Date: Wed, 9 Dec 2020 18:02:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 06:06:33.580988
- Title: Uncertainty Intervals for Graph-based Spatio-Temporal Traffic Prediction
- Title（参考訳）: グラフに基づく時空間交通予測の不確かさ区間
- Authors: Tijs Maas, Peter Bloem
- Abstract要約: 本研究では,従来の時間ステップの測定値から密度を推定するよう訓練された時空間ニューラルネットワークを提案する。
この密度推定法はニューラルネットワークによって完全にパラメータ化され, 内部では近似値を用いない。
このアプローチは、モンテカルロドロップアウトのような推論中にサンプリングする必要なしに不確実性推定を生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Many traffic prediction applications rely on uncertainty estimates instead of
the mean prediction. Statistical traffic prediction literature has a complete
subfield devoted to uncertainty modelling, but recent deep learning traffic
prediction models either lack this feature or make specific assumptions that
restrict its practicality. We propose Quantile Graph Wavenet, a Spatio-Temporal
neural network that is trained to estimate a density given the measurements of
previous timesteps, conditioned on a quantile. Our method of density estimation
is fully parameterised by our neural network and does not use a likelihood
approximation internally. The quantile loss function is asymmetric and this
makes it possible to model skewed densities. This approach produces uncertainty
estimates without the need to sample during inference, such as in Monte Carlo
Dropout, which makes our method also efficient.
- Abstract（参考訳）: 多くのトラフィック予測アプリケーションは平均予測ではなく不確実性推定に依存している。
統計トラフィック予測文献は不確実性モデリングに特化した完全なサブフィールドを持っているが、最近のディープラーニングトラフィック予測モデルは、この機能を欠いているか、その実用性を制限する特定の仮定をしている。
本稿では,前回の時間ステップの測定値から密度を推定するためにトレーニングされた時空間ニューラルネットワークであるquantile graph wavenetを提案する。
この密度推定法はニューラルネットワークによって完全にパラメータ化され, 内部では近似値を用いない。
量子損失関数は非対称であり、スキュード密度をモデル化することができる。
このアプローチはモンテカルロ・ドロップアウトのような推論中にサンプリングする必要がない不確実性推定を生成するため,本手法も効率的である。
関連論文リスト
- Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - 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) - Data Uncertainty without Prediction Models [0.8223798883838329]
予測モデルを明示的に使用せずに、距離重み付きクラス不純物という不確実性推定手法を提案する。
距離重み付きクラス不純物は予測モデルによらず効果的に機能することを確認した。
論文 参考訳（メタデータ） (2022-04-25T13:26:06Z) - 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) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Learnable Uncertainty under Laplace Approximations [65.24701908364383]
我々は、予測そのものに分離された方法で不確実性を明示的に「訓練」するために形式主義を発展させる。
これらのユニットは不確実性を認識した目標によってトレーニング可能であり、標準的なラプラス近似の性能を向上させることができる。
論文 参考訳（メタデータ） (2020-10-06T13:43:33Z) - Probabilistic Neighbourhood Component Analysis: Sample Efficient
Uncertainty Estimation in Deep Learning [25.8227937350516]
トレーニングデータの量が少ない場合,最先端のBNNとDeep Ensembleモデルの不確実性推定能力は著しく低下することを示す。
サンプル効率の高い非パラメトリックkNN手法の確率的一般化を提案する。
我々のアプローチは、深いkNNがその予測において根底にある不確かさを正確に定量化することを可能にする。
論文 参考訳（メタデータ） (2020-07-18T21:36:31Z)
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。