論文の概要: Modeling Temporal Data as Continuous Functions with Process Diffusion

• arxiv url: http://arxiv.org/abs/2211.02590v1
• Date: Fri, 4 Nov 2022 17:02:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 17:13:15.615820
• Title: Modeling Temporal Data as Continuous Functions with Process Diffusion
• Title（参考訳）: プロセス拡散を伴う連続関数としての時間データのモデリング
• Authors: Marin Bilo\v{s}, Kashif Rasul, Anderson Schneider, Yuriy Nevmyvaka, Stephan G\"unnemann
• Abstract要約: 時系列のような時間的データは、しばしば不規則な間隔で観測される。 導出関数の連続性を保ったまま、予め定義されたプロセスからノイズを付加する拡散モデルを定義する。 ニューラルネットワークは、学習した分布から新しい実現法をサンプリングできるように、このプロセスを逆転するように訓練されている。
• 参考スコア（独自算出の注目度）: 2.2849153854336763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal data like time series are often observed at irregular intervals which is a challenging setting for existing machine learning methods. To tackle this problem, we view such data as samples from some underlying continuous function. We then define a diffusion-based generative model that adds noise from a predefined stochastic process while preserving the continuity of the resulting underlying function. A neural network is trained to reverse this process which allows us to sample new realizations from the learned distribution. We define suitable stochastic processes as noise sources and introduce novel denoising and score-matching models on processes. Further, we show how to apply this approach to the multivariate probabilistic forecasting and imputation tasks. Through our extensive experiments, we demonstrate that our method outperforms previous models on synthetic and real-world datasets.
• Abstract（参考訳）: 時系列のような時間データは、しばしば不規則な間隔で観測されるが、これは既存の機械学習手法にとって難しい設定である。 この問題に対処するため、我々はそのようなデータを根底にある連続関数のサンプルとみなす。 次に, 生成関数の連続性を保ちながら, 事前定義された確率過程からノイズを付加する拡散に基づく生成モデルを定義する。 ニューラルネットワークは、このプロセスを逆転するように訓練され、学習した分布から新しい実現をサンプリングできる。 我々は,適切な確率過程をノイズ源として定義し,プロセスに新しい聴覚モデルとスコアマッチングモデルを導入する。 さらに,この手法を多変量確率予測およびインプテーションタスクに適用する方法を示す。 広範な実験により,本手法が従来の合成および実世界のデータセットよりも優れていることを示す。

関連論文リスト

• One Noise to Rule Them All: Learning a Unified Model of Spatially-Varying Noise Patterns [33.293193191683145]
  本稿では,複数種類のノイズを生成できる単一生成モデルを提案する。 また, 逆手続き材料設計の改善に本モデルを適用した。
  論文  参考訳（メタデータ） (2024-04-25T02:23:11Z)
• Logistic-beta processes for dependent random probabilities with beta marginals [58.91121576998588]
  本稿では,ロジスティック・ベータプロセスと呼ばれる新しいプロセスを提案する。 空間や時間などの離散領域と連続領域の両方への依存をモデル化でき、相関カーネルを通じて柔軟な依存構造を持つ。 本研究は,非パラメトリック二分回帰と条件密度推定の例による効果をシミュレーション研究と妊娠結果応用の両方で説明する。
  論文  参考訳（メタデータ） (2024-02-10T21:41:32Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting [4.1573460459258245]
  拡散確率モデル(拡散確率モデル)は、スコアマッチングやエネルギーベースの手法と密接に結びついている潜在変数モデルのクラスである。 我々のモデルは、データ可能性の変動境界を最適化して勾配を学習し、推論時にホワイトノイズを関心の分布のサンプルに変換する。
  論文  参考訳（メタデータ） (2021-01-28T15:46:10Z)
• Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics and Extract Noise Probability Distributions from Data [4.996878640124385]
  SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。 自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。 本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
  論文  参考訳（メタデータ） (2020-09-12T23:52:25Z)

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。