論文の概要: PyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models

• arxiv url: http://arxiv.org/abs/2104.07788v1
• Date: Thu, 15 Apr 2021 21:45:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 07:36:00.765050
• Title: PyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models
• Title（参考訳）: PyTorch Geometric Temporal:ニューラル機械学習モデルを用いた時空間信号処理
• Authors: Benedek Rozemberczki and Paul Scherer and Yixuan He and George Panagopoulos and Maria Astefanoaei and Oliver Kiss and Ferenc Beres and Nicolas Collignon and Rik Sarkar
• Abstract要約: pytorch temporalは、神経信号処理のための時間的ディープラーニングフレームワークである。 PyTorchのエコシステムにある既存のライブラリの基礎として作られた。 実験では、フレームワークが豊富な時間的特徴と空間構造を持つWebスケールデータセット上で動作できる可能性があることが示された。
• 参考スコア（独自算出の注目度）: 8.572409162523735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present PyTorch Geometric Temporal a deep learning framework combining state-of-the-art machine learning algorithms for neural spatiotemporal signal processing. The main goal of the library is to make temporal geometric deep learning available for researchers and machine learning practitioners in a unified easy-to-use framework. PyTorch Geometric Temporal was created with foundations on existing libraries in the PyTorch eco-system, streamlined neural network layer definitions, temporal snapshot generators for batching, and integrated benchmark datasets. These features are illustrated with a tutorial-like case study. Experiments demonstrate the predictive performance of the models implemented in the library on real world problems such as epidemiological forecasting, ridehail demand prediction and web-traffic management. Our sensitivity analysis of runtime shows that the framework can potentially operate on web-scale datasets with rich temporal features and spatial structure.
• Abstract（参考訳）: PyTorch Geometric Temporalは,ニューラル時空間信号処理のための最先端機械学習アルゴリズムを組み合わせたディープラーニングフレームワークである。 このライブラリの主な目的は、研究者や機械学習実践者が統合された使いやすいフレームワークで時間的幾何学的深層学習を利用できるようにすることである。 PyTorch Geometric Temporalは、PyTorchエコシステムの既存のライブラリ、合理化されたニューラルネットワーク層の定義、バッチ処理用の時間スナップショットジェネレータ、統合ベンチマークデータセットの基盤として開発された。 これらの機能はチュートリアルのようなケーススタディで示されています。 実験では, 疫学予測, ライドヘイル需要予測, ウェブトラヒック管理など, 実世界の問題に対して, 図書館で実施したモデルの予測性能を示す。 ランタイムの感度分析は、フレームワークがリッチな時間的特徴と空間構造を持つwebスケールデータセット上で動作可能であることを示している。

関連論文リスト

• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Persistence-based operators in machine learning [62.997667081978825]
  永続性に基づくニューラルネットワークレイヤのクラスを導入します。 永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
  論文  参考訳（メタデータ） (2022-12-28T18:03:41Z)
• Learning Signal Temporal Logic through Neural Network for Interpretable Classification [13.829082181692872]
  本稿では時系列行動の分類のための説明可能なニューラルネットワーク・シンボリック・フレームワークを提案する。 提案手法の計算効率, コンパクト性, 解釈可能性について, シナリオの駆動と海軍の監視事例研究を通じて実証する。
  論文  参考訳（メタデータ） (2022-10-04T21:11:54Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• An optimised deep spiking neural network architecture without gradients [7.183775638408429]
  本稿では、局所シナプスおよびしきい値適応ルールを用いたエンドツーエンドのトレーニング可能なモジュラーイベント駆動ニューラルアーキテクチャを提案する。 このアーキテクチャは、既存のスパイキングニューラルネットワーク(SNN)アーキテクチャの高度に抽象化されたモデルを表している。
  論文  参考訳（メタデータ） (2021-09-27T05:59:12Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• 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)
• Discovering long term dependencies in noisy time series data using deep learning [0.0]
  時系列モデリングは、予測保守、品質管理、最適化といったタスクの解決に不可欠である。 ディープラーニングはそのような問題を解決するために広く使われている。 本稿では,ディープニューラルネットワークを用いた時系列データにおける時間的依存関係のキャプチャと説明のためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-11-15T15:10:57Z)
• A Novel Framework for Spatio-Temporal Prediction of Environmental Data Using Deep Learning [0.0]
  本稿では,深層学習を用いた気候・環境データの分解時間予測の枠組みを紹介する。 具体的には,完全時間信号の再構成を可能にする正規格子上に空間的にマッピング可能な関数を導入する。 実世界のシミュレーションデータへの応用は,提案フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2020-07-23T07:44:04Z)

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。