論文の概要: Deep Learning on Attributed Sequences
- arxiv url: http://arxiv.org/abs/2201.09199v1
- Date: Sun, 23 Jan 2022 06:54:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 14:40:51.581328
- Title: Deep Learning on Attributed Sequences
- Title（参考訳）: 帰属配列の深層学習
- Authors: Zhongfang Zhuang
- Abstract要約: 属性付きシーケンスにおける4つの新しい問題に対するディープラーニングモデルの解析と構築に重点を置いている。
実世界のデータセットを用いた実験により,提案手法が各タスクの性能を著しく向上することを示した。
- 参考スコア（独自算出の注目度）: 0.38707695363745215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent research in feature learning has been extended to sequence data, where
each instance consists of a sequence of heterogeneous items with a variable
length. However, in many real-world applications, the data exists in the form
of attributed sequences, which is composed of a set of fixed-size attributes
and variable-length sequences with dependencies between them. In the attributed
sequence context, feature learning remains challenging due to the dependencies
between sequences and their associated attributes. In this dissertation, we
focus on analyzing and building deep learning models for four new problems on
attributed sequences. Our extensive experiments on real-world datasets
demonstrate that the proposed solutions significantly improve the performance
of each task over the state-of-the-art methods on attributed sequences.
- Abstract（参考訳）: 特徴学習の最近の研究はシーケンスデータにまで拡張され、各インスタンスは可変長の異種項目のシーケンスで構成されている。
しかし、多くの実世界のアプリケーションでは、データは属性付きシーケンスの形式で存在し、これは固定サイズの属性のセットとそれらの間の依存関係を持つ可変長シーケンスから構成される。
属性付きシーケンスコンテキストでは、シーケンスとその関連属性間の依存関係のため、機能学習は依然として困難である。
本論文では,属性列上の4つの新しい問題に対するディープラーニングモデルの解析と構築に焦点を当てる。
実世界のデータセットに関する広範な実験により,提案手法は属性付きシーケンスの最先端手法よりも,各タスクの性能を著しく向上することを示した。
関連論文リスト
- Behavioral Sequence Modeling with Ensemble Learning [8.241486511994202]
隠れマルコフモデルのアンサンブルを用いたシーケンスモデリングのフレームワークを提案する。
アンサンブルに基づくスコアリング手法は,異なる長さの列間のロバストな比較を可能にする。
本手法の有効性を縦断的人間行動データセットに示す。
論文 参考訳（メタデータ） (2024-11-04T15:34:28Z) - ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。
構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
論文 参考訳（メタデータ） (2024-05-22T15:23:10Z) - Latent Processes Identification From Multi-View Time Series [17.33428123777779]
本稿では,データ生成過程を逆転させて識別可能性を高めるために,コントラスト学習技術を用いた新しいフレームワークを提案する。
MuLTIは、最適輸送公式の確立によって、対応する重複変数をマージする置換機構を統合する。
論文 参考訳（メタデータ） (2023-05-14T14:21:58Z) - Mutual Exclusivity Training and Primitive Augmentation to Induce
Compositionality [84.94877848357896]
最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。
本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。
広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
論文 参考訳（メタデータ） (2022-11-28T17:36:41Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳（メタデータ） (2022-01-26T17:54:14Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Multi-Scale Feature and Metric Learning for Relation Extraction [15.045539169021092]
関係抽出のためのマルチスケール特徴量学習フレームワークを提案する。
具体的には、まず、語彙列の非不要な主構造を集約するマルチスケール畳み込みニューラルネットワークを開発する。
また,特定の構文的役割に対する受容場を増大させるマルチスケールグラフ畳み込みネットワークを設計する。
論文 参考訳（メタデータ） (2021-07-28T15:14:36Z) - Top-$k$ Regularization for Supervised Feature Selection [11.927046591097623]
教師付き特徴選択のための新しい,シンプルで効果的な正規化手法である Top-k$ regularization を導入する。
上位$kの正規化は、教師付き特徴選択に有効で安定であることを示す。
論文 参考訳（メタデータ） (2021-06-04T01:12:47Z)
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。