論文の概要: Discriminant Dynamic Mode Decomposition for Labeled Spatio-Temporal Data
Collections
- arxiv url: http://arxiv.org/abs/2102.09973v1
- Date: Fri, 19 Feb 2021 15:12:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 01:18:22.080536
- Title: Discriminant Dynamic Mode Decomposition for Labeled Spatio-Temporal Data
Collections
- Title（参考訳）: ラベル付き時空間データ収集のための識別動的モード分解
- Authors: Naoya Takeishi, Keisuke Fujii, Koh Takeuchi, Yoshinobu Kawahara
- Abstract要約: ラベル付き時間データコレクションからコヒーレントパターンを抽出する新しい方法を提案する。
このようなパターン抽出を動的モード分解に識別解析を組み込むことで実現します。
合成データセットといくつかの実世界データセットを用いた手法を例示する。
- 参考スコア（独自算出の注目度）: 16.69145658813375
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting coherent patterns is one of the standard approaches towards
understanding spatio-temporal data. Dynamic mode decomposition (DMD) is a
powerful tool for extracting coherent patterns, but the original DMD and most
of its variants do not consider label information, which is often available as
side information of spatio-temporal data. In this work, we propose a new method
for extracting distinctive coherent patterns from labeled spatio-temporal data
collections, such that they contribute to major differences in a labeled set of
dynamics. We achieve such pattern extraction by incorporating discriminant
analysis into DMD. To this end, we define a kernel function on subspaces
spanned by sets of dynamic modes and develop an objective to take both
reconstruction goodness as DMD and class-separation goodness as discriminant
analysis into account. We illustrate our method using a synthetic dataset and
several real-world datasets. The proposed method can be a useful tool for
exploratory data analysis for understanding spatio-temporal data.
- Abstract（参考訳）: コヒーレントパターンの抽出は時空間データを理解するための標準的なアプローチの1つである。
動的モード分解(DMD)は、コヒーレントパターンを抽出する強力なツールであるが、元のDMDとその変種の多くは、時空間データの側情報としてしばしば利用できるラベル情報を考慮していない。
本研究では,ラベル付き時空間データコレクションから特徴あるコヒーレントパターンを抽出し,ラベル付きダイナミクスの大きな違いに寄与する新しい手法を提案する。
DMDに識別分析を組み込むことにより,このようなパターン抽出を実現する。
そのために, 動的モードの集合にまたがる部分空間上のカーネル関数を定義し, DMD としての再構成性, 識別性分析としてクラス分離性の両方を考慮に入れることを目標とした。
合成データセットといくつかの実世界データセットを用いた手法を例示する。
提案手法は時空間データを理解するための探索的データ解析に有用である。
関連論文リスト
- Data-driven discovery of mechanical models directly from MRI spectral data [0.0]
実験により得られたMRIスペクトルデータから動的モデルのデータ駆動的発見のための再構成フレームワークを提案する。
提案手法は,非線形ダイナミクスのスパース同定(SINDy)を用いた解釈可能モデルのデータ駆動探索と組み合わせたものである。
臨床MRIスキャナーに収集した動的ファントムのスペクトルデータを用いて,本法の有効性を検証した。
論文 参考訳（メタデータ） (2024-11-11T13:05:29Z) - Parsimonious Dynamic Mode Decomposition: A Robust and Automated Approach for Optimally Sparse Mode Selection in Complex Systems [0.40964539027092917]
本稿では,Parsimonious Dynamic Mode Decomposition (parsDMD)を紹介する。
ParsDMDは、時間的および純粋に時間的データの両方に対して最適にスパースされた動的モードのサブセットを自動選択するように設計された新しいアルゴリズムである。
定在波信号、隠れ力学の同定、流体力学シミュレーション、大気表面温度(SST)データなど、さまざまなデータセットで検証されている。
論文 参考訳（メタデータ） (2024-10-22T03:00:11Z) - Towards a Theoretical Understanding of Memorization in Diffusion Models [76.85077961718875]
拡散確率モデル(DPM)は、生成人工知能(GenAI)の主流モデルとして採用されている。
モデル収束を前提とした条件付きおよび非条件付きDPMにおける記憶の理論的理解を提供する。
本研究では、生成されたデータに基づいて訓練された時間依存型分類器を代理条件として利用し、無条件DPMからトレーニングデータを抽出する、textbfSurrogate condItional Data extract (SIDE) という新しいデータ抽出手法を提案する。
論文 参考訳（メタデータ） (2024-10-03T13:17:06Z) - Entropic Regression DMD (ERDMD) Discovers Informative Sparse and Nonuniformly Time Delayed Models [0.0]
エントロピー回帰を用いた最適多段階動的モード分解モデルを決定する手法を提案する。
非一様時間空間を実現するために,高忠実度時間遅延MDDモデルを生成する手法を開発した。
これらのモデルは、非常に効率的で堅牢であることが示されている。
論文 参考訳（メタデータ） (2024-06-17T20:02:43Z) - Dynamic Mode Decomposition for data-driven analysis and reduced-order
modelling of ExB plasmas: I. Extraction of spatiotemporally coherent patterns [3.203036813451742]
データ駆動解析とプラズマ力学の低次モデリングのための動的モード分解(DMD)アルゴリズムの一般性を評価する。
論文 参考訳（メタデータ） (2023-08-26T01:37:52Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳（メタデータ） (2023-05-28T06:30:29Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳（メタデータ） (2022-07-17T07:05:39Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳（メタデータ） (2021-04-28T22:14:25Z) - Towards an Adaptive Dynamic Mode Decomposition [0.0]
Dynamic Mode Decomposition (DMD) は、ある時点の数量を将来同じ数量にマッピングする行列を識別するデータベースのモデリングツールである。
我々は、時間遅延座標、投影法、フィルタをデータの性質に応じて利用し、利用可能な問題のモデルを作成するAdaptive Dynamic Mode Decomposition (ADMD) と呼ばれる新しいバージョンを設計する。
論文 参考訳（メタデータ） (2020-12-11T22:50:09Z) - Learning Stochastic Behaviour from Aggregate Data [52.012857267317784]
集約データから非線形ダイナミクスを学習することは、各個人の完全な軌道が利用できないため、難しい問題である。
本稿では,Fokker Planck Equation (FPE) の弱い形式を用いて,サンプル形式のデータの密度変化を記述する手法を提案する。
このようなサンプルベースのフレームワークでは、偏微分方程式(PDE)FPEを明示的に解くことなく、集約データから非線形ダイナミクスを学習することができる。
論文 参考訳（メタデータ） (2020-02-10T03:20:13Z)
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。