論文の概要: Scalable nonparametric Bayesian learning for heterogeneous and dynamic
velocity fields
- arxiv url: http://arxiv.org/abs/2102.07695v1
- Date: Mon, 15 Feb 2021 17:45:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:55:14.209429
- Title: Scalable nonparametric Bayesian learning for heterogeneous and dynamic
velocity fields
- Title(参考訳): 不均一および動的速度場に対するスケーラブルな非パラメトリックベイズ学習
- Authors: Sunrit Chakraborty, Aritra Guha, Rayleigh Lei, XuanLong Nguyen
- Abstract要約: 速度場データの不均一および動的パターンを学習するモデルを開発した。
複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
- 参考スコア(独自算出の注目度): 8.744017403796406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Analysis of heterogeneous patterns in complex spatio-temporal data finds
usage across various domains in applied science and engineering, including
training autonomous vehicles to navigate in complex traffic scenarios.
Motivated by applications arising in the transportation domain, in this paper
we develop a model for learning heterogeneous and dynamic patterns of velocity
field data. We draw from basic nonparameric Bayesian modeling elements such as
hierarchical Dirichlet process and infinite hidden Markov model, while the
smoothness of each homogeneous velocity field element is captured with a
Gaussian process prior. Of particular focus is a scalable approximate inference
method for the proposed model; this is achieved by employing sequential MAP
estimates from the infinite HMM model and an efficient sequential GP posterior
computation technique, which is shown to work effectively on simulated data
sets. Finally, we demonstrate the effectiveness of our techniques to the NGSIM
dataset of complex multi-vehicle interactions.
- Abstract(参考訳): 複雑な時空間データにおける異種パターンの分析は、複雑な交通シナリオをナビゲートする自動運転車のトレーニングを含む、応用科学とエンジニアリングのさまざまな領域での使用法を見つけます。
本稿では,輸送領域で発生する応用を動機として,速度場データの不均一かつ動的パターンを学習するモデルを提案する。
階層的ディリクレ過程や無限隠れマルコフモデルのような基本的な非平行ベイズモデリング要素から導出し、各均質な速度場要素の滑らかさはガウス過程によって事前にキャプチャされる。
特に,提案モデルに対して,無限HMMモデルからの逐次MAP推定と,シミュレーションされたデータセットに効果的に作用する効率的な逐次GP後続計算手法を用いることにより,拡張性のある近似推定手法を実現する。
最後に、複雑なマルチ車両インタラクションのNGSIMデータセットに対する当社の技術の有効性を実証します。
関連論文リスト
- Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳(メタデータ) (2022-06-17T07:50:22Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Accelerating Stochastic Simulation with Interactive Neural Processes [74.14000505345803]
対話型ニューラル・プロセス(INP)は、ディープラーニングモデルを学び、シミュレーションを加速する対話型フレームワークである。
我々はベイジアン能動学習アルゴリズムを設計し、シミュレータを反復的にクエリし、より多くのデータを収集し、モデルを継続的に改善する。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳(メタデータ) (2021-05-21T00:08:06Z) - Incorporating Kinematic Wave Theory into a Deep Learning Method for
High-Resolution Traffic Speed Estimation [3.0969191504482243]
本研究では, 波動に基づく深部畳み込みニューラルネットワーク(Deep CNN)を提案し, スパースプローブ車両軌道から高分解能交通速度のダイナミクスを推定する。
我々は,既存の学習に基づく推定手法の堅牢性を改善するために,運動波理論の原理を取り入れるための2つの重要なアプローチを導入する。
論文 参考訳(メタデータ) (2021-02-04T21:51:25Z) - Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized
Gaussian Process Approach [1.6242924916178285]
本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。
提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
論文 参考訳(メタデータ) (2020-07-17T06:03:32Z) - Spatiotemporal Learning of Multivehicle Interaction Patterns in
Lane-Change Scenarios [11.893098067272463]
コモン・イット・チャレージング・インタラクションのシナリオの解釈は、自動運転車のしっかりとした決定に役立てることができる。
本稿では、連続(ガウス過程)および離散(ディリクレ過程)プロセスを活用するベイズ的非パラメトリックアプローチについて述べる。
提案手法は,車体ペデストリアン相互作用など,他の種類のマルチエージェント相互作用を効率的に解析することに重点を置いている。
論文 参考訳(メタデータ) (2020-03-02T10:59:35Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
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。