論文の概要: Mining Interpretable Spatio-temporal Logic Properties for Spatially
Distributed Systems
- arxiv url: http://arxiv.org/abs/2106.08548v1
- Date: Wed, 16 Jun 2021 04:51:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 06:45:57.234996
- Title: Mining Interpretable Spatio-temporal Logic Properties for Spatially
Distributed Systems
- Title(参考訳): 空間分布系のマイニング解釈可能な時空間論理特性
- Authors: Sara Mohammadinejad, Jyotirmy V. Deshmukh, Laura Nenzi
- Abstract要約: 本稿では,時間的データに対する教師なし学習のためのアルゴリズムセットを提案する。
本手法は,複雑性決定木手法を用いて,有界記述のSTREL式を生成する。
本研究では, 都市交通, グリーンインフラストラクチャ, 大気質モニタリングなど多様な分野の事例研究におけるアプローチの有効性を実証する。
- 参考スコア(独自算出の注目度): 0.7585262843303869
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Internet-of-Things, complex sensor networks, multi-agent cyber-physical
systems are all examples of spatially distributed systems that continuously
evolve in time. Such systems generate huge amounts of spatio-temporal data, and
system designers are often interested in analyzing and discovering structure
within the data. There has been considerable interest in learning causal and
logical properties of temporal data using logics such as Signal Temporal Logic
(STL); however, there is limited work on discovering such relations on
spatio-temporal data. We propose the first set of algorithms for unsupervised
learning for spatio-temporal data. Our method does automatic feature extraction
from the spatio-temporal data by projecting it onto the parameter space of a
parametric spatio-temporal reach and escape logic (PSTREL). We propose an
agglomerative hierarchical clustering technique that guarantees that each
cluster satisfies a distinct STREL formula. We show that our method generates
STREL formulas of bounded description complexity using a novel decision-tree
approach which generalizes previous unsupervised learning techniques for Signal
Temporal Logic. We demonstrate the effectiveness of our approach on case
studies from diverse domains such as urban transportation, epidemiology, green
infrastructure, and air quality monitoring.
- Abstract(参考訳): Internet-of-Things、複雑なセンサーネットワーク、マルチエージェントのサイバー物理システムなどは、時間とともに進化する空間分散システムの例である。
このようなシステムは大量の時空間データを生成し、システム設計者はデータの構造を分析し発見することに関心がある。
STL (Signal Temporal Logic) などの論理学を用いて時間データの因果的・論理的特性を学習することに大きな関心が寄せられているが、時空間データにそのような関係を見出すための研究は限られている。
時空間データに対する教師なし学習のための最初のアルゴリズムを提案する。
パラメトリック時空間リーチ・エスケープ論理(PSTREL)のパラメータ空間に投影することで,時空間データから自動特徴抽出を行う。
本稿では,各クラスタが異なるSTREL式を満たすことを保証した集合的階層クラスタリング手法を提案する。
本稿では,信号時間論理の教師なし学習手法を一般化した新しい決定木手法を用いて,境界記述複雑性のSTREL式を生成する。
本研究では, 都市交通, 疫学, グリーンインフラストラクチャ, 大気質モニタリングなど多様な分野の事例研究におけるアプローチの有効性を示す。
関連論文リスト
- Machine Learning in Short-Reach Optical Systems: A Comprehensive Survey [2.425630641479336]
本稿では,短距離通信における機械学習技術の応用について概説する。
本稿では,機械学習信号処理における時系列手法の新しい分類法を提案する。
我々は,短時間の光通信システムにおいて,より実用的で効率的な機械学習アプローチの展開の道を開くことを目的としている。
論文 参考訳(メタデータ) (2024-05-02T16:04:30Z) - Spatial-temporal Memories Enhanced Graph Autoencoder for Anomaly Detection in Dynamic Graphs [52.956235109354175]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、動的グラフの異なる空間的・時間的ダイナミクスを効果的に活用することにより、異常を識別する優れた能力を示した。
論文 参考訳(メタデータ) (2024-03-14T02:26:10Z) - Nature-Inspired Local Propagation [68.63385571967267]
自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。
ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。
これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
論文 参考訳(メタデータ) (2024-02-04T21:43:37Z) - GATGPT: A Pre-trained Large Language Model with Graph Attention Network
for Spatiotemporal Imputation [19.371155159744934]
実世界の環境では、センサーの故障やデータ転送エラーなどの問題により、そのようなデータには欠落する要素がしばしば含まれる。
時間的計算の目的は、観測された時系列における固有の空間的および時間的関係を理解することによって、これらの欠落値を推定することである。
伝統的に、複雑な時間的計算は特定のアーキテクチャに依存しており、適用可能性の制限と高い計算複雑性に悩まされている。
対照的に、我々のアプローチは、事前訓練された大規模言語モデル(LLM)を複雑な時間的インプットに統合し、画期的なフレームワークであるGATGPTを導入している。
論文 参考訳(メタデータ) (2023-11-24T08:15:11Z) - 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) - Spatio-Temporal Deep Learning-Assisted Reduced Security-Constrained Unit
Commitment [0.5076419064097734]
SCUC(Security-Constrained Unit commitment)は、電力系統の日頭スケジューリングと市場浄化に使用される計算上の複雑なプロセスである。
本稿では,制約の空間的相関と時間的相関を本質的に考慮した,電力系統履歴データのパターンの学習に先進機械学習(ML)モデルを用いる。
ST関連MLモデルはグラフニューラルネットワーク(GNN)を考慮して空間相関を理解するために訓練される一方、時間列は長期記憶(LSTM)ネットワークを用いて研究される。
論文 参考訳(メタデータ) (2023-06-02T14:31:24Z) - A Generic Approach to Integrating Time into Spatial-Temporal Forecasting
via Conditional Neural Fields [1.7661845949769062]
本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。
主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。
道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-05-11T14:20:23Z) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-06T08:48:02Z) - 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) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - Data-Driven Verification under Signal Temporal Logic Constraints [0.0]
力学が部分的に不明な不確実性のあるシステムを考える。
本研究の目的は,そのようなシステムの軌道による時間論理特性の満足度について研究することである。
本研究では, ベイズ推定手法を用いて, 信頼度と満足度を関連づける。
論文 参考訳(メタデータ) (2020-05-08T08:32:30Z)
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。