論文の概要: Multi-Task Dynamical Systems

• arxiv url: http://arxiv.org/abs/2210.04023v1
• Date: Sat, 8 Oct 2022 13:37:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 18:32:38.695095
• Title: Multi-Task Dynamical Systems
• Title（参考訳）: マルチタスク動的システム
• Authors: Alex Bird, Christopher K. I. Williams, Christopher Hawthorne
• Abstract要約: 時系列データセットは、しばしば同じドメインから、異なるエンティティから、様々なシーケンスから構成される。 本稿では,マルチタスク学習(MTL)を時系列モデルに拡張する一般的な手法であるMTDSについて述べる。 MTDSをマルチタスクリカレントニューラルネットワーク(RNN)を用いて歩く人々のモーションキャプチャーデータに適用し,マルチタスク薬理力学モデルを用いた患者薬物応答データに適用した。
• 参考スコア（独自算出の注目度）: 5.881614676989161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series datasets are often composed of a variety of sequences from the same domain, but from different entities, such as individuals, products, or organizations. We are interested in how time series models can be specialized to individual sequences (capturing the specific characteristics) while still retaining statistical power by sharing commonalities across the sequences. This paper describes the multi-task dynamical system (MTDS); a general methodology for extending multi-task learning (MTL) to time series models. Our approach endows dynamical systems with a set of hierarchical latent variables which can modulate all model parameters. To our knowledge, this is a novel development of MTL, and applies to time series both with and without control inputs. We apply the MTDS to motion-capture data of people walking in various styles using a multi-task recurrent neural network (RNN), and to patient drug-response data using a multi-task pharmacodynamic model.
• Abstract（参考訳）: 時系列データセットは、しばしば同じドメインから、個人、製品、組織などの異なるエンティティから、様々なシーケンスで構成されている。 時系列モデルが個々のシーケンス(特定の特徴をキャプチャする)にどのように特化できるかに興味を持ちながら、シーケンス間で共通性を共有することで統計力を保っている。 本稿では,マルチタスク学習(MTL)を時系列モデルに拡張する一般的な手法であるMTDSについて述べる。 提案手法は,すべてのモデルパラメータを変調可能な階層型潜在変数の集合を動的システムに提供する。 我々の知る限りでは、これはMTLの新たな発展であり、入力を制御せずに時系列に適用される。 MTDSをマルチタスクリカレントニューラルネットワーク(RNN)を用いて歩く人々のモーションキャプチャーデータに適用し,マルチタスク薬理力学モデルを用いた患者薬物応答データに適用した。

関連論文リスト

• TimeMixer++: A General Time Series Pattern Machine for Universal Predictive Analysis [17.09401448377127]
  時系列解析は多くのアプリケーションにおいて重要な役割を担い、予測、分類、異常検出、計算などのタスクをサポートする。 本研究では,高機能な表現とパターン抽出機能を通じて,幅広い時系列タスクを最適化するモデルである時系列パターンマシン(TSPM)を提案する。
  論文  参考訳（メタデータ） (2024-10-21T14:06:53Z)
• Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data [6.3128614613706295]
  単一ドメインの動的特性を維持しつつ,グループレベル(複数ドメイン)情報を効率的に取得する方法を示す。 全ての動的状態の忠実な再構築に加えて、我々の教師なし方法論は共通の低次元特徴空間を発見する。
  論文  参考訳（メタデータ） (2024-10-07T07:54:53Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Two-Stage Aggregation with Dynamic Local Attention for Irregular Time Series [14.883195365310705]
  時系列における時間的および特徴的不規則性を調和させるため,動的局所注意を伴う2段階集約プロセスであるTADを導入する。 TADAは3つの実世界のデータセットで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-11-13T20:54:52Z)
• Diffusion Model is an Effective Planner and Data Synthesizer for Multi-Task Reinforcement Learning [101.66860222415512]
  Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。 生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2023-05-29T05:20:38Z)
• Integrating Multimodal Data for Joint Generative Modeling of Complex Dynamics [6.848555909346641]
  最適復元のための様々な情報ソースを組み合わせるための効率的なフレームワークを提供する。 我々のフレームワークは完全にテキスト生成され、訓練後に、基底真理系と同じ幾何学的、時間的構造を持つ軌道を生成します。
  論文  参考訳（メタデータ） (2022-12-15T15:21:28Z)
• 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)
• Low Resource Multi-Task Sequence Tagging -- Revisiting Dynamic Conditional Random Fields [67.51177964010967]
  異なるタスクに対するラベルシーケンス間の依存関係を利用する低リソースマルチタスクシーケンスタグの異なるモデルを比較した。 タスク予測間の相互依存性の明示的モデリングは、通常のマルチタスクモデルと同様にシングルタスクよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-01T07:11:34Z)
• Variational Hyper RNN for Sequence Modeling [69.0659591456772]
  本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。 提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。 提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
  論文  参考訳（メタデータ） (2020-02-24T19:30:32Z)
• A Deep Structural Model for Analyzing Correlated Multivariate Time Series [11.009809732645888]
  相関した多変量時系列入力を処理できる深層学習構造時系列モデルを提案する。 モデルは、トレンド、季節性、イベントコンポーネントを明示的に学習し、抽出する。 我々は,様々な時系列データセットに関する総合的な実験を通して,そのモデルと最先端のいくつかの手法を比較した。
  論文  参考訳（メタデータ） (2020-01-02T18:48:29Z)

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。