論文の概要: Handling Missing Observations with an RNN-based Prediction-Update Cycle
- arxiv url: http://arxiv.org/abs/2103.11747v1
- Date: Mon, 22 Mar 2021 11:55:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 02:05:54.773656
- Title: Handling Missing Observations with an RNN-based Prediction-Update Cycle
- Title（参考訳）: RNNに基づく予測更新サイクルによる異常観測の処理
- Authors: Stefan Becker, Ronny Hug, Wolfgang H\"ubner, Michael Arens, and
Brendan T. Morris
- Abstract要約: 追跡などのタスクでは、時系列データは必然的に観察を欠いている。
本稿では,動作状態推定のための全時間フィルタリングサイクルを提供するRNNベースのアプローチを提案する。
- 参考スコア（独自算出の注目度）: 10.478312054103975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In tasks such as tracking, time-series data inevitably carry missing
observations. While traditional tracking approaches can handle missing
observations, recurrent neural networks (RNNs) are designed to receive input
data in every step. Furthermore, current solutions for RNNs, like omitting the
missing data or data imputation, are not sufficient to account for the
resulting increased uncertainty. Towards this end, this paper introduces an
RNN-based approach that provides a full temporal filtering cycle for motion
state estimation. The Kalman filter inspired approach, enables to deal with
missing observations and outliers. For providing a full temporal filtering
cycle, a basic RNN is extended to take observations and the associated belief
about its accuracy into account for updating the current state. An RNN
prediction model, which generates a parametrized distribution to capture the
predicted states, is combined with an RNN update model, which relies on the
prediction model output and the current observation. By providing the model
with masking information, binary-encoded missing events, the model can overcome
limitations of standard techniques for dealing with missing input values. The
model abilities are demonstrated on synthetic data reflecting prototypical
pedestrian tracking scenarios.
- Abstract（参考訳）: 追跡などのタスクでは、時系列データは必然的に観察を欠いている。
従来のトラッキングアプローチでは観察不足を処理できるが、リカレントニューラルネットワーク(RNN)は各ステップで入力データを受け取るように設計されている。
さらに、現在のRNNのソリューションは、欠落したデータやデータ計算を省略するなど、結果として生じる不確実性を考慮するには不十分である。
本稿では,動き状態推定のための完全な時間的フィルタリングサイクルを提供するrnnベースの手法を提案する。
Kalmanフィルタにインスパイアされたアプローチは、欠落した観測と外れ値を扱うことができる。
完全な時間的フィルタリングサイクルを提供するために、基本的なRNNを拡張して、その正確性に関する観測と関連する信念を現在の状態を更新する。
予測状態を取得するためにパラメータ化された分布を生成するRNN予測モデルと、予測モデル出力と現在の観測に依存するRNN更新モデルを組み合わせる。
モデルにマスキング情報、バイナリエンコードされた欠落イベントを提供することで、モデルは欠落した入力値を扱うための標準テクニックの制限を克服することができる。
モデル能力は、原型歩行者追跡シナリオを反映した合成データ上で実証される。
関連論文リスト
- Neural Differential Recurrent Neural Network with Adaptive Time Steps [11.999568208578799]
隠れ状態の時間的発達を表すためにニューラルODEを用いるRNN-ODE-Adapと呼ばれるRNNベースのモデルを提案する。
我々は、データの変化の急激さに基づいて時間ステップを適応的に選択し、「スパイクのような」時系列に対してより効率的にモデルを訓練する。
論文 参考訳（メタデータ） (2023-06-02T16:46:47Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。
本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2022-01-30T16:43:40Z) - Integrating Recurrent Neural Networks with Data Assimilation for
Scalable Data-Driven State Estimation [0.0]
データ同化(DA)は機械学習と統合され、完全にデータ駆動のオンライン状態推定を実行する。
リカレントニューラルネットワーク(RNN)は、数値天気予報(NWP)においてDAサイクルの重要なコンポーネントを置き換えるために代理モデルとして実装される
これらのRNNがDAメソッドを使用して、ターゲットシステムの観測で隠れた/保存状態を直接更新する方法について示す。
論文 参考訳（メタデータ） (2021-09-25T03:56:53Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Frequentist Uncertainty in Recurrent Neural Networks via Blockwise
Influence Functions [121.10450359856242]
リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。
RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。
a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
論文 参考訳（メタデータ） (2020-06-20T22:45:32Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z) - On Error Correction Neural Networks for Economic Forecasting [0.0]
Error Correction Neural Networks (ECNN)と呼ばれるRNNのクラスは、入力変数の不足を補うために設計された。
これは、前のステップで犯したエラーを現在のステップにフィードバックすることで実現します。
ECNNは適切な勾配の計算によってPythonで実装され、株式市場の予測に基づいてテストされる。
論文 参考訳（メタデータ） (2020-04-11T01:23:39Z)
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。