論文の概要: Gated Ensemble of Spatio-temporal Mixture of Experts for Multi-task
Learning in Ride-hailing System
- arxiv url: http://arxiv.org/abs/2012.15408v3
- Date: Thu, 30 Nov 2023 06:40:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 23:39:55.735527
- Title: Gated Ensemble of Spatio-temporal Mixture of Experts for Multi-task
Learning in Ride-hailing System
- Title（参考訳）: 配車システムにおけるマルチタスク学習エキスパートの時空間混合のゲーテッドアンサンブル
- Authors: M. H. Rahman, S. M. Rifaat, S. N. Sadeek, M. Abrar, D. Wang
- Abstract要約: 本研究では,各都市のタスクを同時に予測するために,専門家ネットワーク(GESME-Net)と繰り返しニューラルネットワーク(NNNNN)のアンサンブルを開発する。
提案アーキテクチャは、北京の需給ギャップを予測するためのDidi Chuxingのデータと、ChengduとXianの需要を同時に予測するためのテストである。
どちらも、提案されたアーキテクチャのモデルはシングルタスクのベンチマークとマルチタスクの学習ベンチマークよりも優れていた。
- 参考スコア（独自算出の注目度）: 0.6799748192975493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing spatio-temporal forecasting models separately in a task-wise and
city-wise manner poses a burden for the expanding transportation network
companies. Therefore, a multi-task learning architecture is proposed in this
study by developing gated ensemble of spatio-temporal mixture of experts
network (GESME-Net) with convolutional recurrent neural network (CRNN),
convolutional neural network (CNN), and recurrent neural network (RNN) for
simultaneously forecasting spatio-temporal tasks in a city as well as across
different cities. Furthermore, a task adaptation layer is integrated with the
architecture for learning joint representation in multi-task learning and
revealing the contribution of the input features utilized in prediction. The
proposed architecture is tested with data from Didi Chuxing for: (i)
simultaneously forecasting demand and supply-demand gap in Beijing, and (ii)
simultaneously forecasting demand across Chengdu and Xian. In both scenarios,
models from our proposed architecture outperformed the single-task and
multi-task deep learning benchmarks and ensemble-based machine learning
algorithms.
- Abstract（参考訳）: 時空間予測モデルの設計は、業務的にも都市的にも個別に行うことが、拡大する交通ネットワーク企業にとって重荷となる。
そこで本研究では,各都市における時空間タスクを同時に予測するための,専門家ネットワーク(GESME-Net)と畳み込みリカレントニューラルネットワーク(CRNN),畳み込みニューラルネット(CNN),およびリカレントニューラルネットワーク(RNN)を併用した,時空間混在のゲートアンサンブルを開発することにより,マルチタスク学習アーキテクチャを提案する。
さらに、タスク適応層を、マルチタスク学習における共同表現を学習するためのアーキテクチャに統合し、予測に用いる入力特徴の寄与を明らかにする。
提案されたアーキテクチャは、Didi Chuxingのデータでテストされている。
(i)北京における需給ギャップの同時予測
(ii)成都と西安の需要を同時予測すること。
どちらのシナリオにおいても、提案するアーキテクチャのモデルは、シングルタスクとマルチタスクのディープラーニングベンチマークとアンサンブルベースの機械学習アルゴリズムよりも優れています。
関連論文リスト
- Get Rid of Task Isolation: A Continuous Multi-task Spatio-Temporal Learning Framework [10.33844348594636]
我々は,都市の総合的知能を高めるために,連続マルチタスク時空間学習フレームワーク(CMuST)を提案することが不可欠であると主張する。
CMuSTは、都市時間学習を単一ドメインから協調マルチタスク学習に改革する。
マルチタスク時間学習のための3つの都市のベンチマークを作成し,CMuSTの優位性を実証的に実証した。
論文 参考訳（メタデータ） (2024-10-14T14:04:36Z) - Neuromorphic on-chip reservoir computing with spiking neural network architectures [0.562479170374811]
貯留層コンピューティングは、リカレントニューラルネットワークの計算能力を活用するための有望なアプローチである。
本稿では,貯水池計算フレームワークにおける統合・火災ニューロンの2つのタスクへの適用について検討する。
本稿では,IntelのニューロモーフィックコンピューティングソフトウェアフレームワークであるLavaと,Loihiのオンチップ実装を用いて,独自の統合・ファイアコードを用いた貯水池計算性能について検討する。
論文 参考訳（メタデータ） (2024-07-30T05:05:09Z) - Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-03-21T02:33:37Z) - Split-Et-Impera: A Framework for the Design of Distributed Deep Learning
Applications [8.434224141580758]
Split-Et-Imperaは、ディープネットワークの解釈可能性の原則に基づいて、ニューラルネットワークのベストスプリットポイントのセットを決定する。
異なるニューラルネットワーク再構成の迅速な評価のための通信認識シミュレーションを実行する。
これは、アプリケーションのサービス要件の品質と、正確性とレイテンシ時間の観点からのパフォーマンスのベストマッチを示唆している。
論文 参考訳（メタデータ） (2023-03-22T13:00:00Z) - Controllable Dynamic Multi-Task Architectures [92.74372912009127]
本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。
本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
論文 参考訳（メタデータ） (2022-03-28T17:56:40Z) - Elastic Architecture Search for Diverse Tasks with Different Resources [87.23061200971912]
本研究では,異なるリソースを持つ多様なタスクを効率的に配置する上で,クラス群に対応するリソース制約や関心のタスクをテスト時に動的に指定する,新たな課題について検討する。
従来のNASアプローチでは、全てのクラスのアーキテクチャを同時に設計することを模索しており、これはいくつかの個別のタスクに最適ではないかもしれない。
本稿では、様々なリソース制約のある多様なタスクに対して、実行時に即時特殊化を可能にする、Elastic Architecture Search (EAS)と呼ばれる斬新で一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T00:54:27Z) - Using Spatio-temporal Deep Learning for Forecasting Demand and
Supply-demand Gap in Ride-hailing System with Anonymized Spatial Adjacency
Information [0.0]
空間隣接情報を用いた配車システムにおいて,需要と需給ギャップを予測するための新しい時間的深層学習アーキテクチャを提案する。
開発したアーキテクチャは実世界のデータセットでテストされ、我々のモデルは従来の時系列モデルよりも優れています。
論文 参考訳（メタデータ） (2020-12-16T11:22:14Z) - MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。
我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。
我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文 参考訳（メタデータ） (2020-09-29T11:56:01Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳（メタデータ） (2020-07-17T08:32:11Z) - Error-feedback stochastic modeling strategy for time series forecasting
with convolutional neural networks [11.162185201961174]
本稿では,ランダム畳み込みネットワーク(ESM-CNN)ニューラル時系列予測タスクを構築するための新しいError-feedback Modeling (ESM)戦略を提案する。
提案したESM-CNNは、最先端のランダムニューラルネットワークを上回るだけでなく、トレーニングされた最先端のディープニューラルネットワークモデルと比較して、予測能力と計算オーバーヘッドの低減も実現している。
論文 参考訳（メタデータ） (2020-02-03T13:30:29Z)
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。