Fugu-MT 論文翻訳(概要): DAMNETS: A Deep Autoregressive Model for Generating Markovian Network Time Series

論文の概要: DAMNETS: A Deep Autoregressive Model for Generating Markovian Network Time Series

arxiv url: http://arxiv.org/abs/2203.15009v2
Date: Tue, 31 Oct 2023 16:50:03 GMT
ステータス: 処理完了
システム内更新日: 2023-11-02 05:11:31.204124
Title: DAMNETS: A Deep Autoregressive Model for Generating Markovian Network Time Series
Title（参考訳）: DAMNETS: Markovian Network Time Series を生成するための深い自己回帰モデル
Authors: Jase Clarkson, Mihai Cucuringu, Andrew Elliott, Gesine Reinert
Abstract要約: ネットワーク時系列生成モデル(動的グラフとも呼ばれる)は疫学、生物学、経済学などの分野において大きな可能性を秘めている。本稿では,ネットワーク時系列のスケーラブルな深層生成モデルであるDAMNETSを紹介する。
参考スコア（独自算出の注目度）: 6.834250594353335
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generative models for network time series (also known as dynamic graphs) have tremendous potential in fields such as epidemiology, biology and economics, where complex graph-based dynamics are core objects of study. Designing flexible and scalable generative models is a very challenging task due to the high dimensionality of the data, as well as the need to represent temporal dependencies and marginal network structure. Here we introduce DAMNETS, a scalable deep generative model for network time series. DAMNETS outperforms competing methods on all of our measures of sample quality, over both real and synthetic data sets.
Abstract（参考訳）: ネットワーク時系列の生成モデル(動的グラフとしても知られる)は、複雑なグラフベースのダイナミクスが研究の中心となる疫学、生物学、経済学といった分野において、大きな可能性を秘めている。フレキシブルでスケーラブルな生成モデルの設計は、データの高次元性に加えて、時間的依存と限界ネットワーク構造を表現する必要があるため、非常に難しい作業である。本稿では,ネットワーク時系列のスケーラブルな深層生成モデルであるDAMNETSを紹介する。 DAMNETSは、実データと合成データの両方に対して、サンプル品質のすべての尺度で競合する手法より優れています。

関連論文リスト

Recent Trends in Modelling the Continuous Time Series using Deep Learning: A Survey [0.18434042562191813]
継続的シリーズは、医療、自動車、エネルギー、金融、モノのインターネット(IoT)など、現代のさまざまな分野において不可欠である。本稿では、時系列の一般的な問題領域について述べ、連続時系列をモデル化する際の課題について概説する。
論文参考訳（メタデータ） (2024-09-13T14:19:44Z)
Generative Modeling for Tabular Data via Penalized Optimal Transport Network [2.0319002824093015]
Wasserstein generative adversarial network (WGAN) は、生成モデルにおいて顕著な改善である。本稿では,新しい,頑健で解釈可能な辺縁補償型Wasserstein(MPW)損失に基づく生成型ディープニューラルネットワークPOTNetを提案する。
論文参考訳（メタデータ） (2024-02-16T05:27:05Z)
Latent variable model for high-dimensional point process with structured missingness [4.451479907610764]
縦断データは医療、社会学、地震学など多くの分野で重要である。実世界のデータセットは高次元であり、構造化された欠陥パターンを含み、測定時間ポイントは未知のプロセスによって管理される。これらの制限に対処可能な、柔軟で効率的な潜在変数モデルを提案する。
論文参考訳（メタデータ） (2024-02-08T15:41:48Z)
MADS: Modulated Auto-Decoding SIREN for time series imputation [9.673093148930874]
我々は,暗黙のニューラル表現に基づく時系列計算のための新しい自動デコードフレームワークMADSを提案する。実世界の2つのデータセット上で本モデルを評価し,時系列計算における最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-07-03T09:08:47Z)
MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文参考訳（メタデータ） (2023-06-06T16:24:27Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)
Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文参考訳（メタデータ） (2021-06-25T22:08:51Z)
Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。 Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
論文参考訳（メタデータ） (2020-06-15T22:22:56Z)

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。