論文の概要: A Visual Analytics System for Improving Attention-based Traffic Forecasting Models

• arxiv url: http://arxiv.org/abs/2208.04350v2
• Date: Thu, 11 Aug 2022 04:35:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-12 11:09:03.968979
• Title: A Visual Analytics System for Improving Attention-based Traffic Forecasting Models
• Title（参考訳）: 注意に基づく交通予測モデル改善のためのビジュアル分析システム
• Authors: Seungmin Jin, Hyunwook Lee, Cheonbok Park, Hyeshin Chu, Yunwon Tae, Jaegul Choo, Sungahn Ko
• Abstract要約: 我々は,ディープラーニングモデルによる予測の仕方を探ることのできる視覚分析システムを開発した。 このシステムは、動的時間ゆらぎ(DTW)と、計算時間依存性分析のためのグランガー因果性テストを含む。 本稿では,AttnAnalyzerがモデル動作を効果的に探索し,モデル性能を向上させるための3つのケーススタディを提案する。
• 参考スコア（独自算出の注目度）: 25.975369237248316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With deep learning (DL) outperforming conventional methods for different tasks, much effort has been devoted to utilizing DL in various domains. Researchers and developers in the traffic domain have also designed and improved DL models for forecasting tasks such as estimation of traffic speed and time of arrival. However, there exist many challenges in analyzing DL models due to the black-box property of DL models and complexity of traffic data (i.e., spatio-temporal dependencies). Collaborating with domain experts, we design a visual analytics system, AttnAnalyzer, that enables users to explore how DL models make predictions by allowing effective spatio-temporal dependency analysis. The system incorporates dynamic time warping (DTW) and Granger causality tests for computational spatio-temporal dependency analysis while providing map, table, line chart, and pixel views to assist user to perform dependency and model behavior analysis. For the evaluation, we present three case studies showing how AttnAnalyzer can effectively explore model behaviors and improve model performance in two different road networks. We also provide domain expert feedback.
• Abstract（参考訳）: 深層学習(DL)は様々なタスクの従来の手法よりも優れており、様々な領域におけるDLの利用に多くの努力が注がれている。 トラフィックドメインの研究者と開発者は、交通速度の推定や到着時刻などのタスクを予測するdlモデルの設計と改善も行なっている。 しかしながら、dlモデルのブラックボックス特性とトラフィックデータの複雑さ(時空間依存性)のため、dlモデルの解析には多くの課題がある。 ドメインエキスパートと共同で視覚分析システムであるAttnAnalyzerを設計し,効率的な時空間依存分析を行うことで,DLモデルがどのように予測を行うかを検討する。 このシステムは動的時間ワーキング(DTW)とグランガー因果性テスト(Granger causality test)を内蔵し、マップ、テーブル、ラインチャート、ピクセルビューを提供し、ユーザが依存性やモデル動作の分析を行うのを支援する。 本研究では,AttnAnalyzerがモデル動作を効果的に探索し,2つの異なる道路網におけるモデル性能を向上させる方法を示す。 ドメインエキスパートのフィードバックも提供します。

関連論文リスト

• Exploring Representations and Interventions in Time Series Foundation Models [17.224575072056627]
  時系列基礎モデル(TSFM)は、幅広いアプリケーションのための強力なツールであることを約束する。 彼らの内部表現や学習された概念はまだよく理解されていない。 本研究では,様々なTSFMにおける表現の構造と冗長性について検討する。
  論文  参考訳（メタデータ） (2024-09-19T17:11:27Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• A Reliable Framework for Human-in-the-Loop Anomaly Detection in Time Series [17.08674819906415]
  HILADは、人間とAIの動的かつ双方向なコラボレーションを促進するために設計された、新しいフレームワークである。 ビジュアルインターフェースを通じて、HILADはドメインの専門家に、大規模な予期せぬモデルの振る舞いを検出し、解釈し、修正する権限を与えます。
  論文  参考訳（メタデータ） (2024-05-06T07:44:07Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• TimeTuner: Diagnosing Time Representations for Time-Series Forecasting with Counterfactual Explanations [3.8357850372472915]
  本稿では,モデル行動が局所化,定常性,時系列表現の相関とどのように関連しているかをアナリストが理解するために,新しいビジュアル分析フレームワークであるTimeTunerを提案する。 TimeTunerは時系列表現を特徴付けるのに役立ち、機能エンジニアリングのプロセスを導くのに役立ちます。
  論文  参考訳（メタデータ） (2023-07-19T11:40:15Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• 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)
• Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic Data Imputation with Complex Missing Patterns [3.9318191265352196]
  本稿では,DSTG(Dynamic Spatio Graph Contemporal Networks)と呼ばれる新しいディープラーニングフレームワークを提案する。 本稿では,動的空間依存のリアルタイム交通情報と道路ネットワーク構造をモデル化するためのグラフ構造推定手法を提案する。 提案手法は,既存の深層学習モデルより様々なシナリオにおいて優れており,グラフ構造推定手法はモデルの性能に寄与する。
  論文  参考訳（メタデータ） (2021-09-17T05:47:17Z)

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。