論文の概要: STRODE: Stochastic Boundary Ordinary Differential Equation
- arxiv url: http://arxiv.org/abs/2107.08273v1
- Date: Sat, 17 Jul 2021 16:25:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-21 05:47:37.502602
- Title: STRODE: Stochastic Boundary Ordinary Differential Equation
- Title(参考訳): strode:確率境界常微分方程式
- Authors: Hengguan Huang, Hongfu Liu, Hao Wang, Chang Xiao and Ye Wang
- Abstract要約: 時系列モデリングのほとんどのアルゴリズムは、視覚や音声の入力から直接ランダムなイベントタイミングのダイナミクスを学習できない。
本稿では、学習中にタイミングアノテーションを必要とせず、時系列データのタイミングとダイナミクスの両方を学習する確率的常微分方程式(ODE)を提案する。
その結果,本手法は時系列データのイベントタイミング推定に有効であることがわかった。
- 参考スコア(独自算出の注目度): 30.237665903943963
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Perception of time from sequentially acquired sensory inputs is rooted in
everyday behaviors of individual organisms. Yet, most algorithms for
time-series modeling fail to learn dynamics of random event timings directly
from visual or audio inputs, requiring timing annotations during training that
are usually unavailable for real-world applications. For instance, neuroscience
perspectives on postdiction imply that there exist variable temporal ranges
within which the incoming sensory inputs can affect the earlier perception, but
such temporal ranges are mostly unannotated for real applications such as
automatic speech recognition (ASR). In this paper, we present a probabilistic
ordinary differential equation (ODE), called STochastic boundaRy ODE (STRODE),
that learns both the timings and the dynamics of time series data without
requiring any timing annotations during training. STRODE allows the usage of
differential equations to sample from the posterior point processes,
efficiently and analytically. We further provide theoretical guarantees on the
learning of STRODE. Our empirical results show that our approach successfully
infers event timings of time series data. Our method achieves competitive or
superior performances compared to existing state-of-the-art methods for both
synthetic and real-world datasets.
- Abstract(参考訳): 連続的に獲得した感覚入力からの時間知覚は、個々の生物の日常的な行動に根ざしている。
しかし、時系列モデリングのためのほとんどのアルゴリズムは、視覚または音声入力から直接ランダムなイベントタイミングのダイナミクスを学習できず、実世界のアプリケーションでは利用できないトレーニング中にタイミングアノテーションを必要とする。
例えば、後述の神経科学的な視点は、入力された感覚入力が早期の知覚に影響を及ぼす様々な時間範囲が存在することを示しているが、そのような時間範囲は自動音声認識(ASR)のような実際の応用にはほとんど注釈がない。
本稿では,確率的常微分方程式であるStochastic boundaRy ODE(STRODE)を提案する。
STRODEは、後方点過程から効率的に解析的に微分方程式をサンプリングすることができる。
我々はさらに、STRODEの学習に関する理論的保証を提供する。
実験の結果,時系列データのイベントタイミングを推定することに成功した。
本手法は, 合成データと実世界データの両方において, 既存の最先端手法と比較して, 競争力や優れた性能を実現する。
関連論文リスト
- Neural Structure Learning with Stochastic Differential Equations [10.20095993097231]
本稿では,ニューラルディファレンシャル方程式と変分推論を組み合わせた新しい構造学習手法SCOTCHを提案する。
この連続的なアプローチは、任意の時点における観測からの学習と予測の両方を自然に処理することができる。
論文 参考訳(メタデータ) (2023-11-06T17:58:47Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Exact Inference for Continuous-Time Gaussian Process Dynamics [6.941863788146731]
実際には、真のシステムはよく知られておらず、測定データから学ぶ必要がある。
ガウス過程(GP)力学モデル学習におけるほとんどの手法は、一段階先進予測に基づいて訓練されている。
このような評価に対して,フレキシブルな推論スキームを導出する方法を示す。
論文 参考訳(メタデータ) (2023-09-05T16:07:00Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳(メタデータ) (2023-08-04T12:27:11Z) - Encoding Time-Series Explanations through Self-Supervised Model Behavior
Consistency [26.99599329431296]
トレーニング説明書の時系列一貫性モデルであるTimeXを提案する。
TimeXは、事前訓練された時系列モデルの振る舞いを模倣するために解釈可能なサロゲートを訓練する。
我々は8つの合成および実世界のデータセット上でTimeXを評価し、その性能を最先端の解釈可能性手法と比較した。
論文 参考訳(メタデータ) (2023-06-03T13:25:26Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - TimeREISE: Time-series Randomized Evolving Input Sample Explanation [5.557646286040063]
TimeREISEは時系列分類の文脈において、特に成功に対応するモデル属性法である。
本手法は, 既往の高精度な測定方法と比較して, 優れた性能を示す。
論文 参考訳(メタデータ) (2022-02-16T09:40:13Z) - 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) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z) - STEER: Simple Temporal Regularization For Neural ODEs [80.80350769936383]
トレーニング中のODEの終了時刻をランダムにサンプリングする新しい正規化手法を提案する。
提案された正規化は実装が簡単で、オーバーヘッドを無視でき、様々なタスクで有効である。
本稿では,フローの正規化,時系列モデル,画像認識などの実験を通じて,提案した正規化がトレーニング時間を大幅に短縮し,ベースラインモデルよりも性能を向上できることを示す。
論文 参考訳(メタデータ) (2020-06-18T17:44:50Z)
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。