論文の概要: Dynamical Wasserstein Barycenters for Time-series Modeling

• arxiv url: http://arxiv.org/abs/2110.06741v1
• Date: Wed, 13 Oct 2021 14:20:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 13:35:58.361708
• Title: Dynamical Wasserstein Barycenters for Time-series Modeling
• Title（参考訳）: 時系列モデリングのための動的wasserstein barycenters
• Authors: Kevin C. Cheng, Shuchin Aeron, Michael C. Hughes, Eric L. Miller
• Abstract要約: ほとんどの先行研究は、純粋な離散状態間の即時遷移を前提としている。 本稿では,時間とともにシステム状態を推定するWasserstein Barycentric (DWB)モデルを提案する。 いくつかの人的活動データセットの実験により、提案したDWBモデルが純粋状態の生成過程を正確に学習できることが示されている。
• 参考スコア（独自算出の注目度）: 16.212262513825717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many time series can be modeled as a sequence of segments representing high-level discrete states, such as running and walking in a human activity application. Flexible models should describe the system state and observations in stationary ``pure-state'' periods as well as transition periods between adjacent segments, such as a gradual slowdown between running and walking. However, most prior work assumes instantaneous transitions between pure discrete states. We propose a dynamical Wasserstein barycentric (DWB) model that estimates the system state over time as well as the data-generating distributions of pure states in an unsupervised manner. Our model assumes each pure state generates data from a multivariate normal distribution, and characterizes transitions between states via displacement-interpolation specified by the Wasserstein barycenter. The system state is represented by a barycentric weight vector which evolves over time via a random walk on the simplex. Parameter learning leverages the natural Riemannian geometry of Gaussian distributions under the Wasserstein distance, which leads to improved convergence speeds. Experiments on several human activity datasets show that our proposed DWB model accurately learns the generating distribution of pure states while improving state estimation for transition periods compared to the commonly used linear interpolation mixture models.
• Abstract（参考訳）: 多くの時系列は、人間の活動アプリケーションでの動作や歩行など、ハイレベルな離散状態を表すセグメントのシーケンスとしてモデル化することができる。 フレキシブルモデルでは、静止した「純粋状態」期間のシステム状態と観察、およびランニングとウォーキングの段階的な減速のような隣接するセグメント間の遷移期間を記述する必要がある。 しかし、ほとんどの先行研究は純粋離散状態間の瞬時遷移を仮定している。 本稿では,システム状態の経時的推定と,無教師法で純粋状態のデータ生成分布を推定する動的wasserstein barycentric (dwb)モデルを提案する。 本モデルでは,各純状態が多変量正規分布からデータを生成することを仮定し,wasserstein barycenterによって指定された変位補間による状態間の遷移を特徴付ける。 系状態はバリ中心の重みベクトルで表され、単純体上のランダムウォークを通して時間とともに進化する。 パラメータ学習は、ガウス分布の自然リーマン幾何学をワッサーシュタイン距離の下で活用し、収束速度を改善する。 複数のヒューマンアクティビティデータセットを用いた実験により,提案するdwbモデルは,一般的な線形補間混合モデルと比較して遷移周期の状態推定を改善しつつ,純粋状態の生成分布を正確に学習できることが示されている。

関連論文リスト

• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Generative modeling for time series via Schr{\"o}dinger bridge [0.0]
  本稿では,SB (Schr'dinger Bridge) に基づく時系列生成モデルを提案する。 これは、経路空間上の基準確率測度と、時系列の合同データ分布と整合した目標測度との間の最適輸送によるエントロピックから構成される。
  論文  参考訳（メタデータ） (2023-04-11T09:45:06Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Nonparametric and Regularized Dynamical Wasserstein Barycenters for Sequential Observations [16.05839190247062]
  有限状態間の段階的遷移を示す逐次観測の確率論的モデルを考える。 純状態量子関数の更新と偏心重みの交互に循環降下を用いた有限次元推定問題を数値的に解く。 シミュレーションと実世界における人間の活動時系列のセグメンテーションにおける提案アルゴリズムの有用性を実証する。
  論文  参考訳（メタデータ） (2022-10-04T21:39:55Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Online Time Series Anomaly Detection with State Space Gaussian Processes [12.483273106706623]
  R-ssGPFAは、一様および多変量時系列の教師なしオンライン異常検出モデルである。 高次元時系列に対して、時系列の一般的な潜伏過程を特定するためにガウス過程因子解析の拡張を提案する。 異常観測時にカルマン更新をスキップすることで,モデルの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2022-01-18T06:43:32Z)
• Traversing Time with Multi-Resolution Gaussian Process State-Space Models [17.42262122708566]
  本稿では,複数のコンポーネントで構成されたガウス的プロセス状態空間アーキテクチャを提案する。 半合成データとエンジンモデリングタスクに新しい手法をベンチマークする。 どちらの実験でも、我々のアプローチは1つの時間スケールでしか動作しない最先端の代替手段と良好に比較できる。
  論文  参考訳（メタデータ） (2021-12-06T18:39:27Z)
• Modeling Continuous Stochastic Processes with Dynamic Normalizing Flows [40.9137348900942]
  ウィナー過程の微分変形によって駆動される新しいタイプの流れを提案する。 その結果,観測可能なプロセスが基本プロセスの魅力的な特性の多くを継承するリッチ時系列モデルが得られた。
  論文  参考訳（メタデータ） (2020-02-24T20:13:43Z)

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。