論文の概要: Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments

• arxiv url: http://arxiv.org/abs/2203.05813v1
• Date: Fri, 11 Mar 2022 09:46:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 18:31:33.734086
• Title: Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments
• Title（参考訳）: 最適輸送とソフトアライメントを用いた時空間信号の平均化
• Authors: Hicham Janati and Marco Cuturi and Alexandre Gramfort
• Abstract要約: Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
• 参考スコア（独自算出の注目度）: 110.79706180350507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several fields in science, from genomics to neuroimaging, require monitoring populations (measures) that evolve with time. These complex datasets, describing dynamics with both time and spatial components, pose new challenges for data analysis. We propose in this work a new framework to carry out averaging of these datasets, with the goal of synthesizing a representative template trajectory from multiple trajectories. We show that this requires addressing three sources of invariance: shifts in time, space, and total population size (or mass/amplitude). Here we draw inspiration from dynamic time warping (DTW), optimal transport (OT) theory and its unbalanced extension (UOT) to propose a criterion that can address all three issues. This proposal leverages a smooth formulation of DTW (Soft-DTW) that is shown to capture temporal shifts, and UOT to handle both variations in space and size. Our proposed loss can be used to define spatio-temporal barycenters as Fr\'echet means. Using Fenchel duality, we show how these barycenters can be computed efficiently, in parallel, via a novel variant of entropy-regularized debiased UOT. Experiments on handwritten letters and brain imaging data confirm our theoretical findings and illustrate the effectiveness of the proposed loss for spatio-temporal data.
• Abstract（参考訳）: ゲノム学から神経イメージングまで、科学のいくつかの分野は、時間とともに進化する個体群(測定値)を監視する必要がある。 これらの複雑なデータセットは、時間と空間の両方のコンポーネントでダイナミクスを記述するもので、データ分析に新たな課題をもたらす。 本稿では,複数の軌跡から代表的なテンプレート軌跡を合成することを目的として,これらのデータセットの平均化を行うための新しいフレームワークを提案する。 これは時間、空間、総人口規模(質量/振幅)の3つの要因に対処する必要があることを示している。 ここでは、動的時間ワープ(DTW)、最適輸送(OT)理論およびその不均衡拡張(UOT)からインスピレーションを得て、3つの問題に対処できる基準を提案する。 この提案では、時間シフトを捉えるために示されるDTW(Soft-DTW)とUTTのスムーズな定式化を利用して、空間と大きさのバリエーションを扱う。 提案する損失は,時空間的バリセンタをfr\'echet平均として定義するために利用できる。 フェンシェル双対性を用いて、エントロピー正規化uotの新しい変種を用いて、これらのバリセンタを並列に効率的に計算する方法を示す。 手書き文字と脳画像データを用いた実験により,提案した損失が時空間データに与える影響を検証した。

関連論文リスト

• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• ArrivalNet: Predicting City-wide Bus/Tram Arrival Time with Two-dimensional Temporal Variation Modeling [10.788986436621364]
  バスと路面電車のための2次元時間変動に基づく多段階ATPであるtextitArrivalNetを提案する。 1次元の時間列を周期内および周期間変分に分解し、2次元テンソルに再キャストする。 異なる周波数で変換された2Dブロックは、コンピュータビジョンのバックボーンで効果的な学習を可能にする画像のような特徴表現を持つ。
  論文  参考訳（メタデータ） (2024-10-17T10:17:23Z)
• 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)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Joint Characterization of Spatiotemporal Data Manifolds [0.0]
  次元減少 (DR) は、高次元信号の「次元の曲線」を緩和するために設計された特徴量の一種である。 近年、非線形DRアルゴリズムが新たに開発され、しばしば「manifold learning」に分類されている。 ここでは、これらの3つのDRアプローチが、ST多様体位相に関する相補的な情報を得ることができることを示す。
  論文  参考訳（メタデータ） (2021-08-21T16:42:22Z)
• Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
  交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。 このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。 本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2021-05-21T00:08:06Z)
• Low-Rank Autoregressive Tensor Completion for Spatiotemporal Traffic Data Imputation [4.9831085918734805]
  データ計算の欠如は長年の研究課題であり、現実世界のインテリジェント交通システムにとって重要な応用である。 テキストの時間変化を新たな正規化項として導入し,低ランク自動回帰テンソル補完(LATC)フレームワークを提案する。 本研究では,複数の実世界の交通データ集合について広範な数値実験を行い,LATCの有効性を実証した。
  論文  参考訳（メタデータ） (2021-04-30T12:00:57Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)

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。