論文の概要: Static Seeding and Clustering of LSTM Embeddings to Learn from Loosely
Time-Decoupled Events
- arxiv url: http://arxiv.org/abs/2208.12389v1
- Date: Fri, 26 Aug 2022 01:00:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 12:31:01.186775
- Title: Static Seeding and Clustering of LSTM Embeddings to Learn from Loosely
Time-Decoupled Events
- Title（参考訳）: 時間分解イベントから学ぶLSTM埋め込みの静的検索とクラスタリング
- Authors: Christian Manasseh, Razvan Veliche, Jared Bennett, Hamilton Clouse
- Abstract要約: 我々は、特にLong Short-Term Memory (LSTM) ネットワークであるRecurring Neural Networks (RNN) の使用を改善し、より良いタイミング予測を生成するAIソリューションを実現する。
時系列間の類似度を傾向に基づいて測定し,それらの傾向を表す埋め込みを導入する。
埋め込みは、LSTM構造と結合したイベントの特性を表しており、同様に時間的に不整合なイベントを特定するためにクラスタ化することができる。
- 参考スコア（独自算出の注目度）: 0.3058685580689604
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Humans learn from the occurrence of events in a different place and time to
predict similar trajectories of events. We define Loosely Decoupled Timeseries
(LDT) phenomena as two or more events that could happen in different places and
across different timelines but share similarities in the nature of the event
and the properties of the location. In this work we improve on the use of
Recurring Neural Networks (RNN), in particular Long Short-Term Memory (LSTM)
networks, to enable AI solutions that generate better timeseries predictions
for LDT. We use similarity measures between timeseries based on the trends and
introduce embeddings representing those trends. The embeddings represent
properties of the event which, coupled with the LSTM structure, can be
clustered to identify similar temporally unaligned events. In this paper, we
explore methods of seeding a multivariate LSTM from time-invariant data related
to the geophysical and demographic phenomena being modeled by the LSTM. We
apply these methods on the timeseries data derived from the COVID-19 detected
infection and death cases. We use publicly available socio-economic data to
seed the LSTM models, creating embeddings, to determine whether such seeding
improves case predictions. The embeddings produced by these LSTMs are clustered
to identify best-matching candidates for forecasting an evolving timeseries.
Applying this method, we show an improvement in 10-day moving average
predictions of disease propagation at the US County level.
- Abstract（参考訳）: 人間は異なる場所や時間における出来事の発生から学び、同様の出来事の軌跡を予測する。
我々は、ゆるく分離された時系列(ldt)現象を、異なる場所や異なるタイムラインで起こりうる2つ以上の事象として定義し、イベントの性質と場所の性質の類似性を共有している。
本研究では、Long Short-Term Memory(LSTM)ネットワークにおけるRecurring Neural Networks(RNN)の使用を改善し、LDTのタイミング予測を改善するAIソリューションを実現する。
傾向に基づく時系列間の類似度尺度を用い,その傾向を表す組込みを導入する。
埋め込みは、LSTM構造と結合したイベントの特性を表し、同様に時間的に不整合なイベントを特定するためにクラスタ化することができる。
本稿では,多変量LSTMのシード法について,LSTMでモデル化されている物理現象と人口動態に関する時間不変データから検討する。
これらの手法を,新型コロナウイルス感染および死亡例から得られた時系列データに適用する。
社会経済的データを公開してLSTMモデルをシードし、埋め込みを作成し、そのようなシードがケース予測を改善するかどうかを判断する。
これらのLSTMによって生成された埋め込みはクラスタ化され、進化する時系列を予測する最良のマッチング候補を特定する。
本手法の適用により,US郡レベルでの10日間移動平均疾患伝播予測の改善が示された。
関連論文リスト
- Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift [40.734564394464556]
本稿では,時系列内/時系列間の相関関係を統合的に把握し,時変遷移分布をモデル化するための統一確率グラフモデルを提案する。
6つの高定常MTSデータセットに対する広範囲な実験により、JointPGMの有効性と効率を検証した。
論文 参考訳（メタデータ） (2024-07-18T06:16:03Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳（メタデータ） (2024-02-04T13:10:51Z) - XTSFormer: Cross-Temporal-Scale Transformer for Irregular Time Event
Prediction [9.240950990926796]
イベント予測は、過去のイベントシーケンスに基づいて、将来のイベントの時間とタイプを予測することを目的としている。
その重要性にもかかわらず、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、マルチスケールのイベント相互作用など、いくつかの課題が存在する。
論文 参考訳（メタデータ） (2024-02-03T20:33:39Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳（メタデータ） (2023-03-05T03:54:54Z) - A data filling methodology for time series based on CNN and (Bi)LSTM
neural networks [0.0]
イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。
提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
論文 参考訳（メタデータ） (2022-04-21T09:40:30Z) - 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) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳（メタデータ） (2022-01-05T02:14:57Z) - Deep diffusion-based forecasting of COVID-19 by incorporating
network-level mobility information [22.60685417365995]
我々は、自己回帰混合密度拡散動的ネットワーク(ARM3Dnet)と呼ばれる確率予測のためのディープラーニングに基づく時系列モデルを開発した。
アメリカ合衆国におけるCovid-19の死亡数やケースの予測において,我々のモデルは従来の統計モデルとディープラーニングモデルの両方を上回っていることを示す。
論文 参考訳（メタデータ） (2021-11-09T15:18:03Z) - Integrating LSTMs and GNNs for COVID-19 Forecasting [0.0]
我々は、過去472日間に37カ国のデータに基づいて、毎日の新型コロナウイルスの新しいケース予測モデルを構築した。
我々は,平均絶対スケール誤差(MASE)に基づく最先端グラフ時系列モデルと比較して,優れた性能を示す。
この研究は政策決定に重要な応用をもたらし、パンデミックの資源管理の可能性を分析する。
論文 参考訳（メタデータ） (2021-07-14T14:14:33Z) - Synergetic Learning of Heterogeneous Temporal Sequences for
Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。
不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。
我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文 参考訳（メタデータ） (2021-01-31T11:00:55Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z)
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。