論文の概要: Statistical Deep Learning for Spatial and Spatio-Temporal Data
- arxiv url: http://arxiv.org/abs/2206.02218v1
- Date: Sun, 5 Jun 2022 16:49:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 15:24:07.664428
- Title: Statistical Deep Learning for Spatial and Spatio-Temporal Data
- Title(参考訳): 空間・時空間データの統計的深層学習
- Authors: Christopher K. Wikle and Andrew Zammit-Mangion
- Abstract要約: 本稿では,空間的・時間的データをモデル化するための統計的・機械学習的な視点について概観する。
次に、最近、潜在プロセス、データ、パラメータ仕様のために開発された様々なハイブリッドモデルに焦点を当てます。
これらのハイブリッドモデルは、モデリングパラダイムの強みを活用するために、モデリングアイデアとディープニューラルネットワークモデルを統合する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural network models have become ubiquitous in recent years, and have
been applied to nearly all areas of science, engineering, and industry. These
models are particularly useful for data that have strong dependencies in space
(e.g., images) and time (e.g., sequences). Indeed, deep models have also been
extensively used by the statistical community to model spatial and
spatio-temporal data through, for example, the use of multi-level Bayesian
hierarchical models and deep Gaussian processes. In this review, we first
present an overview of traditional statistical and machine learning
perspectives for modeling spatial and spatio-temporal data, and then focus on a
variety of hybrid models that have recently been developed for latent process,
data, and parameter specifications. These hybrid models integrate statistical
modeling ideas with deep neural network models in order to take advantage of
the strengths of each modeling paradigm. We conclude by giving an overview of
computational technologies that have proven useful for these hybrid models, and
with a brief discussion on future research directions.
- Abstract(参考訳): 近年,深層ニューラルネットワークモデルが普及し,科学,工学,産業のほぼすべての分野に適用されている。
これらのモデルは特に、空間(例えば、画像)と時間(例えば、シーケンス)に強い依存を持つデータに有用である。
実際、深層モデルは、例えば多レベルベイズ階層モデルや深いガウス過程を用いて、空間的および時空間的データをモデル化するために、統計コミュニティによって広く使用されている。
本稿では,まず,空間的および時空間的データをモデル化するための従来の統計・機械学習の観点の概要を述べるとともに,最近潜在プロセス,データ,パラメータ仕様のために開発された様々なハイブリッドモデルに注目した。
これらのハイブリッドモデルは、各モデリングパラダイムの強みを活用するために、統計モデリングのアイデアとディープニューラルネットワークモデルを統合する。
本稿では,これらのハイブリッドモデルに有用であることが証明された計算技術の概観と,今後の研究方向性について簡単な議論を行った。
関連論文リスト
- Generative Learning of Continuous Data by Tensor Networks [47.77281294161002]
本稿では,連続データのためのテンソルネットワーク生成モデルについて紹介する。
我々は、このモデルの性能を、いくつかの合成および実世界のデータセットでベンチマークする。
本手法は, 急速に成長する生成学習分野において, 量子インスピレーション法の有効性を示す重要な理論的, 実証的な証拠を与える。
論文 参考訳(メタデータ) (2023-10-31T14:37:37Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳(メタデータ) (2023-10-16T09:06:00Z) - On the Stability of Iterative Retraining of Generative Models on their
own Data [56.153542044045224]
生成モデルの訓練がデータセット(実データと合成データの混合データ)の安定性に及ぼす影響について検討した。
まず、初期生成モデルがデータ分布を十分に近似する条件下で反復学習の安定性を実証する。
我々は,CIFAR10およびFFHQ上の正規化フローと最先端拡散モデルの反復的訓練により,合成画像と自然画像の両方に関する理論を実証的に検証した。
論文 参考訳(メタデータ) (2023-09-30T16:41:04Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳(メタデータ) (2022-09-06T16:56:21Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳(メタデータ) (2022-06-17T07:50:22Z) - Geometric and Topological Inference for Deep Representations of Complex
Networks [13.173307471333619]
我々は、トポロジと表現の幾何学を強調する統計のクラスを提示する。
モデル選択に使用する場合の感度と特異性の観点から,これらの統計値を評価する。
これらの新しい手法により、脳やコンピューター科学者は、脳やモデルによって学習された動的表現変換を可視化することができる。
論文 参考訳(メタデータ) (2022-03-10T17:14:14Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - 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) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Amortized Bayesian Inference for Models of Cognition [0.1529342790344802]
専門的なニューラルネットワークアーキテクチャを用いたシミュレーションベース推論の最近の進歩は、ベイズ近似計算の多くの過去の問題を回避している。
本稿では,アモータイズされたベイズパラメータの推定とモデル比較について概説する。
論文 参考訳(メタデータ) (2020-05-08T08:12:15Z) - Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文 参考訳(メタデータ) (2020-02-11T11:57:07Z)
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。