Fugu-MT 論文翻訳(概要): Mixture Models for the Analysis, Edition, and Synthesis of Continuous Time Series

論文の概要: Mixture Models for the Analysis, Edition, and Synthesis of Continuous Time Series

arxiv url: http://arxiv.org/abs/2104.10731v1
Date: Wed, 21 Apr 2021 19:20:59 GMT
ステータス: 処理完了
システム内更新日: 2021-04-23 13:43:37.078577
Title: Mixture Models for the Analysis, Edition, and Synthesis of Continuous Time Series
Title（参考訳）: 連続時系列の解析・編集・合成のための混合モデル
Authors: Sylvain Calinon
Abstract要約: 本章では,時系列の分析,編集,合成に使用される手法の概要について述べる。混合モデルを用いることで、時間信号の分解を基底関数の重ね合わせとして行うことができる。様々な基礎関数が提案され、様々な研究分野から開発が進められている。
参考スコア（独自算出の注目度）: 11.9778107817386
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This chapter presents an overview of techniques used for the analysis, edition, and synthesis of time series, with a particular emphasis on motion data. The use of mixture models allows the decomposition of time signals as a superposition of basis functions. It provides a compact representation that aims at keeping the essential characteristics of the signals. Various types of basis functions have been proposed, with developments originating from different fields of research, including computer graphics, human motion science, robotics, control, and neuroscience. Examples of applications with radial, Bernstein and Fourier basis functions will be presented, with associated source codes to get familiar with these techniques.
Abstract（参考訳）: 本章では, 時系列の分析, 編集, 合成に使用される技術の概要について概説する。混合モデルを用いることで、時間信号の分解を基底関数の重ね合わせとして行うことができる。信号の本質的な特性を維持することを目的としたコンパクトな表現を提供する。様々な基礎関数が提案されており、コンピュータグラフィックス、人間の運動科学、ロボティクス、制御、神経科学など様々な研究分野から発展した。ラジアル、ベルンシュタイン、フーリエの基底関数を持つアプリケーションの例は、これらのテクニックに慣れたソースコードと共に提示される。

関連論文リスト

Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
論文参考訳（メタデータ） (2024-11-08T17:40:43Z)
Graph Neural Flows for Unveiling Systemic Interactions Among Irregularly Sampled Time Series [5.460420960898444]
我々は不規則な時間点で観測された時系列の系統的相互作用を明らかにするグラフベースモデルを開発した。時系列分類や予測など,いくつかの課題に対するアプローチの有効性を検証し,その有効性を実証する。
論文参考訳（メタデータ） (2024-10-17T21:10:39Z)
Joint Alignment of Multivariate Quasi-Periodic Functional Data Using Deep Learning [0.0]
深層ニューラルネットワークを用いた多変量準周期関数の結合アライメント法を提案する。提案するニューラルネットワークは,単位単純度変換に基づく出力の特別な活性化を利用する。本手法は,12個の心電図記録から得られた2つのシミュレーションデータセットと1つの実例を用いて実証した。
論文参考訳（メタデータ） (2023-11-14T10:09:40Z)
TimeTuner: Diagnosing Time Representations for Time-Series Forecasting with Counterfactual Explanations [3.8357850372472915]
本稿では,モデル行動が局所化,定常性,時系列表現の相関とどのように関連しているかをアナリストが理解するために,新しいビジュアル分析フレームワークであるTimeTunerを提案する。 TimeTunerは時系列表現を特徴付けるのに役立ち、機能エンジニアリングのプロセスを導くのに役立ちます。
論文参考訳（メタデータ） (2023-07-19T11:40:15Z)
Sparse Graphical Linear Dynamical Systems [1.6635799895254402]
時系列データセットは機械学習の中心であり、科学と工学の様々な分野に応用されている。本研究は,共同グラフィカル・モデリング・フレームワークを導入することでギャップを埋める新しい手法を提案する。本稿では,DGLASSOを提案する。DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO,DGLASSO。
論文参考訳（メタデータ） (2023-07-06T14:10:02Z)
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)
Interpretable and Scalable Graphical Models for Complex Spatio-temporal Processes [3.469001874498102]
論文は、複雑な時間構造を持つデータと、解釈可能かつ解釈可能な方法で構造を学ぶ確率的グラフィカルモデルに焦点を当てている。この方法論の実践的応用は、実際のデータセットを用いて検討される。これには、データを用いた脳接続分析、太陽画像データを用いた宇宙天気予報、Twitterデータを用いた世論の縦断的分析、TalkLifeデータを用いたメンタルヘルス関連の問題のマイニングが含まれる。
論文参考訳（メタデータ） (2023-01-15T05:39:30Z)
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)
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文参考訳（メタデータ） (2022-02-17T02:17:31Z)
Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文参考訳（メタデータ） (2021-10-11T13:46:28Z)
Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。