論文の概要: Temporal Multimodal Multivariate Learning

• arxiv url: http://arxiv.org/abs/2206.06878v1
• Date: Tue, 14 Jun 2022 14:24:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-15 18:00:27.498781
• Title: Temporal Multimodal Multivariate Learning
• Title（参考訳）: 時間的マルチモーダル多変量学習
• Authors: Hyoshin Park and Justice Darko and Niharika Deshpande and Venktesh Pandey and Hui Su and Masahiro Ono and Dedrick Barkely and Larkin Folsom and Derek Posselt and Steve Chien
• Abstract要約: 本稿では,オンライン情報を間接的に学習し,伝達できる新たな意思決定モデルを提案する。 異なる変数と時間にまたがる不確実性を逐次除去することで、後部を近似する。 実世界のデータセットの実験は、提案した意思決定の優れた性能を示す。
• 参考スコア（独自算出の注目度）: 13.378755104993843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce temporal multimodal multivariate learning, a new family of decision making models that can indirectly learn and transfer online information from simultaneous observations of a probability distribution with more than one peak or more than one outcome variable from one time stage to another. We approximate the posterior by sequentially removing additional uncertainties across different variables and time, based on data-physics driven correlation, to address a broader class of challenging time-dependent decision-making problems under uncertainty. Extensive experiments on real-world datasets ( i.e., urban traffic data and hurricane ensemble forecasting data) demonstrate the superior performance of the proposed targeted decision-making over the state-of-the-art baseline prediction methods across various settings.
• Abstract（参考訳）: 確率分布の同時観測からオンライン情報を間接的に学習し、ある時点から別の段階に1つ以上の結果変数を同時に生成できる新しい意思決定モデルである時間的多変量学習を導入する。 我々は,不確実性下での時間依存的意思決定問題のより広いクラスに対処するために,データフィジカルな相関に基づいて,異なる変数と時間にまたがる不確実性を順次除去することにより,後方を近似する。 実世界のデータセット(都市交通データとハリケーンアンサンブル予測データ)に対する大規模な実験は、様々な設定における最先端のベースライン予測手法よりも、提案した意思決定の優れた性能を示す。

関連論文リスト

• Revitalizing Multivariate Time Series Forecasting: Learnable Decomposition with Inter-Series Dependencies and Intra-Series Variations Modeling [14.170879566023098]
  動的傾向情報をより合理的に捉えるための学習可能な分解戦略を導入する。 また、シリーズ間の依存関係とシリーズ間のバリエーションを同時にキャプチャする2つのアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2024-02-20T03:45:59Z)
• Learning Mixture Structure on Multi-Source Time Series for Probabilistic Forecasting [4.179947630802189]
  本稿では,異なる予測関係を学習するためのニューラルネットワーク構造に基づく確率モデルを提案する。 対象変数の異なる分布に適用可能な予測および不確実性定量化手法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:51:44Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
  本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。 多様なデータソースから表現と不確実性を学ぶことができる。 動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。 CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:13:47Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Informative Time Intervals [32.30627405832656]
  時系列データは、様々な現実世界のアプリケーションで広く使われている。 このような予測モデルを理解するための重要な基準は、分類に対する時間変化の入力変数の寄与を解明し定量化することである。 本稿では,変数と時間間隔を同時に識別し,分類出力を決定する新しい,モジュール型・畳み込み型特徴抽出・注目機構を提案する。
  論文  参考訳（メタデータ） (2020-11-23T19:16:46Z)
• Pay Attention to Evolution: Time Series Forecasting with Deep Graph-Evolution Learning [33.79957892029931]
  本研究は時系列予測のためのニューラルネットワークアーキテクチャを提案する。 Recurrent Graph Evolution Neural Network (ReGENN) と名付けた。 多数のアンサンブル法と古典統計法との比較を行った。
  論文  参考訳（メタデータ） (2020-08-28T20:10:07Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。