論文の概要: Deeptime: a Python library for machine learning dynamical models from
time series data
- arxiv url: http://arxiv.org/abs/2110.15013v1
- Date: Thu, 28 Oct 2021 10:53:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-29 15:32:43.483683
- Title: Deeptime: a Python library for machine learning dynamical models from
time series data
- Title（参考訳）: Deeptime:時系列データから機械学習の動的モデルを生成するPythonライブラリ
- Authors: Moritz Hoffmann, Martin Scherer, Tim Hempel, Andreas Mardt, Brian de
Silva, Brooke E. Husic, Stefan Klus, Hao Wu, Nathan Kutz, Steven L. Brunton,
Frank No\'e
- Abstract要約: Deeptimeは、時系列データに基づいて動的モデルを推定する様々なツールを提供する汎用Pythonライブラリである。
本稿では,ディープタイムソフトウェアの主な特徴と構造を紹介する。
- 参考スコア（独自算出の注目度）: 3.346668383314945
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generation and analysis of time-series data is relevant to many quantitative
fields ranging from economics to fluid mechanics. In the physical sciences,
structures such as metastable and coherent sets, slow relaxation processes,
collective variables dominant transition pathways or manifolds and channels of
probability flow can be of great importance for understanding and
characterizing the kinetic, thermodynamic and mechanistic properties of the
system. Deeptime is a general purpose Python library offering various tools to
estimate dynamical models based on time-series data including conventional
linear learning methods, such as Markov state models (MSMs), Hidden Markov
Models and Koopman models, as well as kernel and deep learning approaches such
as VAMPnets and deep MSMs. The library is largely compatible with scikit-learn,
having a range of Estimator classes for these different models, but in contrast
to scikit-learn also provides deep Model classes, e.g. in the case of an MSM,
which provide a multitude of analysis methods to compute interesting
thermodynamic, kinetic and dynamical quantities, such as free energies,
relaxation times and transition paths. The library is designed for ease of use
but also easily maintainable and extensible code. In this paper we introduce
the main features and structure of the deeptime software.
- Abstract（参考訳）: 時系列データの生成と解析は、経済学から流体力学まで、多くの定量的分野に関係している。
物理科学において、準安定集合やコヒーレント集合、緩やかな緩和過程、集合変数支配的な遷移経路や多様体、確率フローのチャネルといった構造は、系の力学、熱力学、力学の性質を理解し、特徴づけるのに非常に重要である。
Deeptimeは、Markov State Model (MSM)、Hidden Markov Models、Koopman Model、VAMPnetsやDeep MSMsといったカーネルおよびディープラーニングアプローチなど、従来の線形学習手法を含む時系列データに基づいて動的モデルを推定する様々なツールを提供する汎用Pythonライブラリである。
このライブラリは、scikit-learnとほとんど互換性があり、これらの異なるモデルに対して様々な推定子クラスを持つが、scikit-learnとは対照的に、msmの場合のように、自由エネルギー、緩和時間、遷移経路など、興味深い熱力学的、運動学的、動的量を計算するための多数の分析方法を提供する深いモデルクラスを提供する。
ライブラリは使いやすく設計されているが、メンテナンスが容易で拡張可能なコードもある。
本稿では,ディープタイムソフトウェアの主な特徴と構造を紹介する。
関連論文リスト
- TorchDA: A Python package for performing data assimilation with deep learning forward and transformation functions [7.11946037942663]
本研究では、状態遷移と観測関数のモデルとして、深層ニューラルネットワークとデータ同化を組み合わせた新しいPythonパッケージを提案する。
ロレンツ63と2次元浅層水系の総合的な実験は、同化を伴わないスタンドアロンモデル予測よりも大幅に性能を向上した。
全体として、この革新的なソフトウェアパッケージは、データ同化内でのディープラーニング表現の柔軟な統合を可能にし、科学的領域にわたる複雑な高次元力学システムに取り組むための汎用ツールを提供する。
論文 参考訳（メタデータ） (2024-08-30T20:30:34Z) - Exploring Scalability in Large-Scale Time Series in DeepVATS framework [3.8436076642278754]
DeepVATSは、Deep Learning(Deep)とVisual Analytics(VA)をマージして、大規模時系列データ(TS)の分析を行うツールである。
Rで開発されたDeep Learningモジュールは、StorageモジュールへのデータセットとDeep Learningモデルのロードを管理する。
本稿では,このツールを紹介し,ログ解析によるスケーラビリティについて検討する。
論文 参考訳（メタデータ） (2024-08-08T15:30:48Z) - Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。
近年、時系列コミュニティで顕著なブレークスルーが見られた。
多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文 参考訳（メタデータ） (2024-07-18T08:31:55Z) - 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) - Bayesian Active Learning for Discrete Latent Variable Models [19.852463786440122]
アクティブラーニングは、モデルのパラメータに適合するために必要なデータ量を削減しようとする。
潜在変数モデルは神経科学、心理学、その他の様々な工学、科学分野において重要な役割を果たす。
論文 参考訳（メタデータ） (2022-02-27T19:07:12Z) - Merlion: A Machine Learning Library for Time Series [73.46386700728577]
Merlionは時系列のためのオープンソースの機械学習ライブラリである。
モデルの統一インターフェースと、異常検出と予測のためのデータセットを備えている。
Merlionはまた、本番環境でのモデルのライブデプロイメントと再トレーニングをシミュレートするユニークな評価フレームワークも提供する。
論文 参考訳（メタデータ） (2021-09-20T02:03:43Z) - Multimodal Meta-Learning for Time Series Regression [3.135152720206844]
メタラーニングを用いてモデルパラメータを新しい短史時系列に迅速に適応させるアイデアについて検討する。
提案手法は,12実験中9実験において,少ないデータでTSRを学習し,ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-08-05T20:50:18Z) - MLMOD: Machine Learning Methods for Data-Driven Modeling in LAMMPS [0.0]
マイクロスケール力学と分子動力学を特徴付けるためのプロトタイプC++/Pythonパッケージを提案する。
このパッケージは、現在、メソモッドおよび分子動力学シミュレーションパッケージLAMMPSとPyTorchと統合されている。
論文 参考訳（メタデータ） (2021-07-29T22:55:26Z) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳（メタデータ） (2020-11-14T02:03:08Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳（メタデータ） (2020-05-24T04:02:18Z) - A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。
本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文 参考訳（メタデータ） (2020-01-05T11:33:31Z)
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。