論文の概要: SPATE-GAN: Improved Generative Modeling of Dynamic Spatio-Temporal
Patterns with an Autoregressive Embedding Loss
- arxiv url: http://arxiv.org/abs/2109.15044v1
- Date: Thu, 30 Sep 2021 12:10:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 15:02:08.009429
- Title: SPATE-GAN: Improved Generative Modeling of Dynamic Spatio-Temporal
Patterns with an Autoregressive Embedding Loss
- Title（参考訳）: SPATE-GAN:自己回帰型埋め込み損失を有する動的時空間パターンの生成モデルの改善
- Authors: Konstantin Klemmer, Tianlin Xu, Beatrice Acciaio, Daniel B. Neill
- Abstract要約: 本稿では、時間的ダイナミクスの学習を強化するために、自己回帰埋め込みに基づく-GANと組み合わせた新しい損失目標を提案する。
組込み損失は -GAN のアーキテクチャを変更することなく性能を向上し,自己相関構造に対するモデルの能力向上を浮き彫りにしている。
- 参考スコア（独自算出の注目度）: 4.504870356809408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: From ecology to atmospheric sciences, many academic disciplines deal with
data characterized by intricate spatio-temporal complexities, the modeling of
which often requires specialized approaches. Generative models of these data
are of particular interest, as they enable a range of impactful downstream
applications like simulation or creating synthetic training data. Recent work
has highlighted the potential of generative adversarial nets (GANs) for
generating spatio-temporal data. A new GAN algorithm COT-GAN, inspired by the
theory of causal optimal transport (COT), was proposed in an attempt to better
tackle this challenge. However, the task of learning more complex
spatio-temporal patterns requires additional knowledge of their specific data
structures. In this study, we propose a novel loss objective combined with
COT-GAN based on an autoregressive embedding to reinforce the learning of
spatio-temporal dynamics. We devise SPATE (spatio-temporal association), a new
metric measuring spatio-temporal autocorrelation by using the deviance of
observations from their expected values. We compute SPATE for real and
synthetic data samples and use it to compute an embedding loss that considers
space-time interactions, nudging the GAN to learn outputs that are faithful to
the observed dynamics. We test this new objective on a diverse set of complex
spatio-temporal patterns: turbulent flows, log-Gaussian Cox processes and
global weather data. We show that our novel embedding loss improves performance
without any changes to the architecture of the COT-GAN backbone, highlighting
our model's increased capacity for capturing autoregressive structures. We also
contextualize our work with respect to recent advances in physics-informed deep
learning and interdisciplinary work connecting neural networks with geographic
and geophysical sciences.
- Abstract（参考訳）: 生態学から大気科学まで、多くの学術分野が複雑な時空間的複雑性によって特徴づけられるデータを扱う。
これらのデータの生成モデルは、シミュレーションや合成トレーニングデータの作成など、さまざまな影響のある下流アプリケーションを可能にするため、特に興味深い。
最近の研究は、時空間データを生成するためのGAN(Generative Adversarial Nets)の可能性を強調している。
因果最適輸送理論(cot)に触発された新しいganアルゴリズムであるcot-ganが提案され、この課題により良い対処が試みられた。
しかし、より複雑な時空間パターンを学習するタスクは、特定のデータ構造に関する追加の知識を必要とする。
本研究では,時空間力学の学習を強化するために,自己回帰埋め込みに基づくcot-ganと組み合わせた新しい損失目標を提案する。
我々は,期待値からの観測値のずれを利用して,時空間自己相関を測定する新しい指標であるspate(spatio-temporal association)を考案する。
実データおよび合成データサンプルのSPATEを計算し、時空相互作用を考慮した埋め込み損失を計算し、GANをヌードして観測されたダイナミックスに忠実な出力を学習する。
我々はこの新たな目的を、乱流、対数ゲージのcoxプロセス、地球規模の気象データなど、複雑な時空間パターンで検証する。
組込み損失はCOT-GANバックボーンのアーキテクチャの変更を伴わずに性能を向上し,自己回帰構造を捉える能力の増大を浮き彫りにした。
また,物理学を対象とする深層学習や,ニューラルネットワークと地理・地球物理学をつなぐ学際的研究の最近の進歩に関して,我々の研究を文脈化している。
関連論文リスト
- Graph Masked Autoencoder for Spatio-Temporal Graph Learning [38.085962443141206]
都市センシングの分野では,交通分析,人体移動評価,犯罪予測において,効果的な時間的予測の枠組みが重要な役割を担っている。
空間的および時間的データにデータノイズと空間性が存在することは、ロバスト表現を学習する上で、既存のニューラルネットワークモデルにとって大きな課題となる。
実効時間データ拡張のための新しい自己教師型学習パラダイムを提案する。
論文 参考訳（メタデータ） (2024-10-14T07:33:33Z) - Autaptic Synaptic Circuit Enhances Spatio-temporal Predictive Learning of Spiking Neural Networks [23.613277062707844]
Spiking Neural Networks (SNNs) は、生物学的ニューロンで見られる統合ファイアリーク機構をエミュレートする。
既存のSNNは、主にIntegrate-and-Fire Leaky(LIF)モデルに依存している。
本稿では,S-patioTemporal Circuit (STC) モデルを提案する。
論文 参考訳（メタデータ） (2024-06-01T11:17:27Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - 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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - 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) - Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。
機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。
提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
論文 参考訳（メタデータ） (2021-08-11T18:05:55Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Spatio-Temporal Functional Neural Networks [11.73856529960872]
本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。
提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
論文 参考訳（メタデータ） (2020-09-11T21:32:35Z) - Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。
等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
論文 参考訳（メタデータ） (2020-05-18T18:45:09Z) - 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。