論文の概要: Neural Ordinary Differential Equation Model for Evolutionary Subspace Clustering and Its Applications

• arxiv url: http://arxiv.org/abs/2107.10484v1
• Date: Thu, 22 Jul 2021 07:02:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-23 12:59:06.942590
• Title: Neural Ordinary Differential Equation Model for Evolutionary Subspace Clustering and Its Applications
• Title（参考訳）: 進化的部分空間クラスタリングのための神経常微分方程式モデルとその応用
• Authors: Mingyuan Bai, S.T. Boris Choy, Junping Zhang, Junbin Gao
• Abstract要約: この制限を克服するために,進化的サブスペースクラスタリングのためのニューラルODEモデルを提案する。 本手法は,進化的サブスペースクラスタリングタスクにおいて,任意のステップでデータを補間するだけでなく,他の最先端手法よりも高い精度を達成できることを実証する。
• 参考スコア（独自算出の注目度）: 36.700813256689656
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The neural ordinary differential equation (neural ODE) model has attracted increasing attention in time series analysis for its capability to process irregular time steps, i.e., data are not observed over equally-spaced time intervals. In multi-dimensional time series analysis, a task is to conduct evolutionary subspace clustering, aiming at clustering temporal data according to their evolving low-dimensional subspace structures. Many existing methods can only process time series with regular time steps while time series are unevenly sampled in many situations such as missing data. In this paper, we propose a neural ODE model for evolutionary subspace clustering to overcome this limitation and a new objective function with subspace self-expressiveness constraint is introduced. We demonstrate that this method can not only interpolate data at any time step for the evolutionary subspace clustering task, but also achieve higher accuracy than other state-of-the-art evolutionary subspace clustering methods. Both synthetic and real-world data are used to illustrate the efficacy of our proposed method.
• Abstract（参考訳）: ニューラル常微分方程式(neural ODE)モデルは、不規則な時間ステップを処理する能力、すなわち、等間隔の時間間隔でデータが観測されないために、時系列解析において注目を集めている。 多次元時系列解析では、その発展する低次元部分空間構造に従って時間データをクラスタリングすることを目的として、進化的部分空間クラスタリングを行う。 既存の方法の多くは定期的な時間ステップでしか時系列を処理できないが、データ不足など多くの状況で時系列が不均等にサンプリングされている。 本稿では,この制限を克服するために,進化的部分空間クラスタリングのためのニューラルodeモデルを提案する。 本手法は,進化的部分空間クラスタリングタスクの任意の時間ステップでデータを補間できるだけでなく,他の最先端進化的部分空間クラスタリング手法よりも高い精度が得られることを示す。 提案手法の有効性を示すために, 合成データと実世界のデータの両方を用いる。

関連論文リスト

• Correlating Time Series with Interpretable Convolutional Kernels [18.77493756204539]
  本研究では,時系列データにおける畳み込みカーネル学習の問題に対処する。 テンソル計算を用いて、畳み込みカーネル学習問題をテンソルの形で再構成する。 本研究は時系列データから畳み込みカーネルを自動的に学習するための洞察力のある基礎を築いた。
  論文  参考訳（メタデータ） (2024-09-02T16:29:21Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Anamnesic Neural Differential Equations with Orthogonal Polynomial Projections [6.345523830122166]
  本稿では,長期記憶を強制し,基礎となる力学系の大域的表現を保存する定式化であるPolyODEを提案する。 提案手法は理論的保証に支えられ,過去と将来のデータの再構築において,過去の成果よりも優れていたことを実証する。
  論文  参考訳（メタデータ） (2023-03-03T10:49:09Z)
• Deep Latent State Space Models for Time-Series Generation [68.45746489575032]
  状態空間ODEに従って進化する潜伏変数を持つ列の生成モデルLS4を提案する。 近年の深層状態空間モデル(S4)に着想を得て,LS4の畳み込み表現を利用して高速化を実現する。 LS4は, 実世界のデータセット上での限界分布, 分類, 予測スコアにおいて, 従来の連続時間生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-12-24T15:17:42Z)
• Discovering Dynamic Patterns from Spatiotemporal Data with Time-Varying Low-Rank Autoregression [12.923271427789267]
  低ランクテンソル因子化により係数がパラメータ化される時間還元ベクトル自己回帰モデルを開発した。 時間的文脈において、複雑な時間変化系の挙動は、提案モデルにおける時間的モードによって明らかにすることができる。
  論文  参考訳（メタデータ） (2022-11-28T15:59:52Z)
• Semi-supervised Learning of Partial Differential Operators and Dynamical Flows [68.77595310155365]
  本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。 本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。 その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
  論文  参考訳（メタデータ） (2022-07-28T19:59:14Z)
• Time Series Clustering for Human Behavior Pattern Mining [11.906475748246532]
  時系列データから人間の行動をモデル化するための新しいクラスタリング手法を提案する。 頻繁な人間の行動パターンを効果的にマイニングするために、我々は3段階のパイプラインを利用する。 2つの実世界のデータセットとシミュレーションデータセットに関する実証研究は、MTパターンの有効性を実証している。
  論文  参考訳（メタデータ） (2021-10-14T17:19:35Z)
• Neural Spatio-Temporal Point Processes [31.474420819149724]
  本稿では,ニューラルODEを計算手法として活用した,点自明なプロセスのための新しいパラメータ化のクラスを提案する。 我々は,地震学,疫学,都市移動性,神経科学など,さまざまな文脈のデータセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2020-11-09T17:28:23Z)
• Variational Hyper RNN for Sequence Modeling [69.0659591456772]
  本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。 提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。 提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
  論文  参考訳（メタデータ） (2020-02-24T19:30:32Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。