論文の概要: GridTuner: Reinvestigate Grid Size Selection for Spatiotemporal Prediction Models [Technical Report]

• arxiv url: http://arxiv.org/abs/2201.03244v1
• Date: Mon, 10 Jan 2022 09:59:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 17:31:11.926125
• Title: GridTuner: Reinvestigate Grid Size Selection for Spatiotemporal Prediction Models [Technical Report]
• Title（参考訳）: GridTuner:時空間予測モデルのためのグリッドサイズ選択の再検討 [技術報告]
• Authors: Jiabao Jin, Peng Cheng, Lei Chen, Xuemin Lin, Wenjie Zhang
• Abstract要約: 地域最適グリッドサイズ選択問題(OGSS)について検討する。 実誤差時間予測モデルの上限を解析する。 最適なグリッドサイズを自動的に見つけるために,探索法と反復法という2つのアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 43.23981661006877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of traffic prediction technology, spatiotemporal prediction models have attracted more and more attention from academia communities and industry. However, most existing researches focus on reducing model's prediction error but ignore the error caused by the uneven distribution of spatial events within a region. In this paper, we study a region partitioning problem, namely optimal grid size selection problem (OGSS), which aims to minimize the real error of spatiotemporal prediction models by selecting the optimal grid size. In order to solve OGSS, we analyze the upper bound of real error of spatiotemporal prediction models and minimize the real error by minimizing its upper bound. Through in-depth analysis, we find that the upper bound of real error will decrease then increase when the number of model grids increase from 1 to the maximum allowed value. Then, we propose two algorithms, namely Ternary Search and Iterative Method, to automatically find the optimal grid size. Finally, the experiments verify that the error of prediction has the same trend as its upper bound, and the change trend of the upper bound of real error with respect to the increase of the number of model grids will decrease then increase. Meanwhile, in a case study, by selecting the optimal grid size, the order dispatching results of a state-of-the-art prediction-based algorithm can be improved up to 13.6%, which shows the effectiveness of our methods on tuning the region partition for spatiotemporal prediction models.
• Abstract（参考訳）: 交通予測技術の発展に伴い、時空間予測モデルは学界のコミュニティや産業からますます注目を集めている。 しかしながら、既存の研究のほとんどはモデル予測誤差の低減に重点を置いているが、領域内の空間イベントの不均一な分布に起因する誤差を無視している。 本稿では、最適グリッドサイズ選択問題(OGSS)と呼ばれる領域分割問題について検討し、最適グリッドサイズを選択することで時空間予測モデルの実誤差を最小化することを目的とする。 ogssを解くために,時空間予測モデルの実誤差の上限を解析し,その上限を最小化することにより実誤差を最小化する。 詳細な解析により,モデルグリッドの数が1から最大許容値に増加すると,実誤差の上限が減少することがわかった。 そこで我々は,最適なグリッドサイズを自動的に見つけるために,Ternary SearchとIterative Methodという2つのアルゴリズムを提案する。 最後に, 実験により, 予測誤差は上限値と同じ傾向を示し, モデルグリッド数の増加に伴う実誤差の上限値の変化傾向は減少することを示した。 一方, 最適グリッドサイズを選択することにより, 最先端予測に基づくアルゴリズムのオーダーディスパッチ結果が13.6%向上し, 時空間予測モデルにおける領域分割の調整方法の有効性が示された。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Deep Limit Model-free Prediction in Regression [0.0]
  本稿では,DNN(Deep Neural Network)に基づくモデルフリーアプローチにより,一般的な回帰条件下での点予測と予測間隔を実現する。 提案手法は,特に最適点予測において,他のDNN法に比べて安定かつ正確である。
  論文  参考訳（メタデータ） (2024-08-18T16:37:53Z)
• On the Error Analysis of 3D Gaussian Splatting and an Optimal Projection Strategy [15.62029018680868]
  3D Gaussian Splattingは、リアルタイムなニューラルレンダリングに広く注目され、応用されている。 しかし,局所アフィン近似による投射誤差の根本的な問題には注目されていない。 本稿では,プロジェクション関数の1次テイラー展開による残差誤差を考慮し,3次元ガウス散乱の射影誤差関数に対処する。
  論文  参考訳（メタデータ） (2024-02-01T16:43:58Z)
• Multi-Modal Conformal Prediction Regions with Simple Structures by Optimizing Convex Shape Templates [19.504348671777006]
  コンフォーマル予測は、高い確率で有効な機械学習モデルの予測領域を生成する統計ツールである。 共形予測アルゴリズムの重要な構成要素は、モデルの予測が未知の基底真理値とどのように異なるかを定量化するエンフノン整合スコア関数である。 キャリブレーションデータよりもパラメータ化されたエンフシェープテンプレート関数を最適化し,最小体積の予測領域を生成する非整合スコア関数を提案する。
  論文  参考訳（メタデータ） (2023-12-12T17:00:13Z)
• DF2: Distribution-Free Decision-Focused Learning [53.2476224456902]
  決定中心学習(DFL)は近年,予測最適化問題に対する強力なアプローチとして出現している。 既存のエンドツーエンドDFL法は、モデル誤差、サンプル平均近似誤差、予測対象の分布に基づくパラメータ化の3つの重大なボトルネックによって妨げられている。 DF2は,これら3つのボトルネックに明示的に対処するために設計された,初となるテキストフリーな意思決定型学習手法である。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• A Universal Error Measure for Input Predictions Applied to Online Graph Problems [57.58926849872494]
  本稿では,入力予測における誤差の定量化のための新しい尺度を提案する。 この尺度は、予測されていない要求と予測されていない実際の要求によるエラーをキャプチャする。
  論文  参考訳（メタデータ） (2022-05-25T15:24:03Z)
• Crime Prediction with Graph Neural Networks and Multivariate Normal Distributions [18.640610803366876]
  グラフ畳み込みネットワーク(GCN)のフレキシブルな構造を利用して,高分解能領域における疎結合問題に取り組む。 グラフ畳み込みGated Recurrent Units (Graph-ConvGRU) を用いてモデルを構築し,空間的・時間的・カテゴリー的関係を学習する。 モデルが生成性だけでなく,正確性も示しています。
  論文  参考訳（メタデータ） (2021-11-29T17:37:01Z)
• Fast Batch Nuclear-norm Maximization and Minimization for Robust Domain Adaptation [154.2195491708548]
  ランダムに選択されたデータバッチの分類出力行列の構造について検討し,予測可能性と多様性について検討した。 本稿では,目標出力行列上で核ノルムを行い,目標予測能力を向上するBatch Nuclear-norm Maximization and Minimizationを提案する。 実験により,本手法は3つの典型的なドメイン適応シナリオにおいて適応精度とロバスト性を高めることができることが示された。
  論文  参考訳（メタデータ） (2021-07-13T15:08:32Z)
• Bayes DistNet -- A Robust Neural Network for Algorithm Runtime Distribution Predictions [1.8275108630751844]
  ランダム化アルゴリズムは制約満足度問題 (CSP) やブール満足度問題 (SAT) の多くの最先端の解法で用いられている。 従来の最先端の手法は、入力インスタンスが従う固定パラメトリック分布を直接予測しようとする。 この新モデルは,低観測環境下での堅牢な予測性能と,検閲された観測処理を実現する。
  論文  参考訳（メタデータ） (2020-12-14T01:15:39Z)
• Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
  ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。 この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。 この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
  論文  参考訳（メタデータ） (2020-08-19T12:35:55Z)

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。