論文の概要: STUaNet: Understanding uncertainty in spatiotemporal collective human
mobility
- arxiv url: http://arxiv.org/abs/2102.06027v1
- Date: Tue, 9 Feb 2021 01:43:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 16:04:13.144383
- Title: STUaNet: Understanding uncertainty in spatiotemporal collective human
mobility
- Title（参考訳）: STUaNet:時空間的集団移動における不確実性を理解する
- Authors: Zhengyang Zhou, Yang Wang, Xike Xie, Lei Qiao, Yuantao Li
- Abstract要約: 本研究では,内部データ品質と外部不確実性を同時に推定する不確実性学習機構を提案する。
提案手法は予測と不確かさの両面において優れていることを示す。
- 参考スコア（独自算出の注目度）: 11.436035608461966
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The high dynamics and heterogeneous interactions in the complicated urban
systems have raised the issue of uncertainty quantification in spatiotemporal
human mobility, to support critical decision-makings in risk-aware web
applications such as urban event prediction where fluctuations are of
significant interests. Given the fact that uncertainty quantifies the potential
variations around prediction results, traditional learning schemes always lack
uncertainty labels, and conventional uncertainty quantification approaches
mostly rely upon statistical estimations with Bayesian Neural Networks or
ensemble methods. However, they have never involved any spatiotemporal
evolution of uncertainties under various contexts, and also have kept suffering
from the poor efficiency of statistical uncertainty estimation while training
models with multiple times. To provide high-quality uncertainty quantification
for spatiotemporal forecasting, we propose an uncertainty learning mechanism to
simultaneously estimate internal data quality and quantify external uncertainty
regarding various contextual interactions. To address the issue of lacking
labels of uncertainty, we propose a hierarchical data turbulence scheme where
we can actively inject controllable uncertainty for guidance, and hence provide
insights to both uncertainty quantification and weak supervised learning.
Finally, we re-calibrate and boost the prediction performance by devising a
gated-based bridge to adaptively leverage the learned uncertainty into
predictions. Extensive experiments on three real-world spatiotemporal mobility
sets have corroborated the superiority of our proposed model in terms of both
forecasting and uncertainty quantification.
- Abstract（参考訳）: 複雑な都市システムにおける高いダイナミクスと不均質な相互作用は、時空間的人間の移動における不確かさの定量化の問題を提起し、都市イベント予測のようなリスクを意識したwebアプリケーションにおける重要な意思決定を支援する。
不確実性が予測結果に関する潜在的な変動を定量化するという事実を考えると、従来の学習スキームは常に不確実性ラベルを欠いているし、従来の不確実性定量化アプローチはベイズニューラルネットワークやアンサンブル手法による統計的推定に大きく依存している。
しかし、様々な状況下で不確実性の時空間的進化は一切含んでおらず、複数回訓練しながら統計的不確実性推定の貧弱な効率に苦しめられている。
時空間予測のための高品質不確実性定量化を提供するため、内部データ品質を同時に推定し、様々な文脈相互作用に関する外部不確実性を定量化する不確実性学習メカニズムを提案する。
不確実性ラベルの欠如問題に対処するために,我々は積極的に制御可能な不確実性を注入し,不確実性定量化と弱い教師付き学習の両方に洞察を与える階層的データ乱流スキームを提案する。
最後に,学習の不確かさを予測に適応的に活用するためにゲートベースブリッジを考案し,予測性能を再調整し,向上させる。
3つの実世界の時空間移動集合に関する大規模な実験は、予測と不確実性の定量化の両方の観点から、提案モデルの優越性を裏付けている。
関連論文リスト
- Uncertainty Quantification for Forward and Inverse Problems of PDEs via
Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。
本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。
提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文 参考訳（メタデータ） (2024-02-13T11:22:59Z) - One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。
幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文 参考訳（メタデータ） (2023-12-16T14:59:11Z) - 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) - Integrating Uncertainty into Neural Network-based Speech Enhancement [27.868722093985006]
時間周波数領域における監視されたマスキングアプローチは、ディープニューラルネットワークを使用して乗法マスクを推定し、クリーンな音声を抽出することを目的としている。
これにより、信頼性の保証や尺度を使わずに、各入力に対する単一の見積もりが導かれる。
クリーン音声推定における不確実性モデリングの利点について検討する。
論文 参考訳（メタデータ） (2023-05-15T15:55:12Z) - Gradient-based Uncertainty Attribution for Explainable Bayesian Deep
Learning [38.34033824352067]
ディープラーニングモデルによる予測は、データ摂動、敵攻撃、アウト・オブ・ディストリビューション・インプットの傾向が強い。
本稿では,正確な不確実性定量化を行うための説明可能かつ実用的なベイズ深層学習法を提案する。
論文 参考訳（メタデータ） (2023-04-10T19:14:15Z) - On Attacking Out-Domain Uncertainty Estimation in Deep Neural Networks [11.929914721626849]
我々は,現在最先端の不確実性推定アルゴリズムが,我々の提案した敵攻撃の下で破滅的に失敗する可能性を示唆した。
特に、領域外不確実性推定を攻撃することを目的としている。
論文 参考訳（メタデータ） (2022-10-03T23:33:38Z) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳（メタデータ） (2022-08-11T15:21:53Z) - The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。
我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
論文 参考訳（メタデータ） (2022-05-20T10:10:32Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-11-22T08:54:10Z) - DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。
一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文 参考訳（メタデータ） (2021-02-16T23:50:35Z)
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。