論文の概要: Learning State Transition Rules from Hidden Layers of Restricted
Boltzmann Machines
- arxiv url: http://arxiv.org/abs/2212.03374v1
- Date: Wed, 7 Dec 2022 00:01:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 15:12:40.025469
- Title: Learning State Transition Rules from Hidden Layers of Restricted
Boltzmann Machines
- Title（参考訳）: 制限ボルツマン機械の隠れ層からの状態遷移規則の学習
- Authors: Koji Watanabe, Katsumi Inoue
- Abstract要約: 本稿では,高次元時系列データから少数の必須隠れ変数を抽出する手法を提案する。
提案手法は,可視層における可観測データと隠蔽層における潜時特徴を取り扱うリミテッド・ボルツマン・マシン(RBM)に基づく。
また,隠れ変数として必須情報を抽出し,解釈可能な状態遷移規則を表現するルールベース手法を提案する。
- 参考スコア（独自算出の注目度）: 6.061244362532694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the dynamics of a system is important in many scientific and
engineering domains. This problem can be approached by learning state
transition rules from observations using machine learning techniques. Such
observed time-series data often consist of sequences of many continuous
variables with noise and ambiguity, but we often need rules of dynamics that
can be modeled with a few essential variables. In this work, we propose a
method for extracting a small number of essential hidden variables from
high-dimensional time-series data and for learning state transition rules
between these hidden variables. The proposed method is based on the Restricted
Boltzmann Machine (RBM), which treats observable data in the visible layer and
latent features in the hidden layer. However, real-world data, such as video
and audio, include both discrete and continuous variables, and these variables
have temporal relationships. Therefore, we propose Recurrent Temporal
GaussianBernoulli Restricted Boltzmann Machine (RTGB-RBM), which combines
Gaussian-Bernoulli Restricted Boltzmann Machine (GB-RBM) to handle continuous
visible variables, and Recurrent Temporal Restricted Boltzmann Machine (RT-RBM)
to capture time dependence between discrete hidden variables. We also propose a
rule-based method that extracts essential information as hidden variables and
represents state transition rules in interpretable form. We conduct experiments
on Bouncing Ball and Moving MNIST datasets to evaluate our proposed method.
Experimental results show that our method can learn the dynamics of those
physical systems as state transition rules between hidden variables and can
predict unobserved future states from observed state transitions.
- Abstract（参考訳）: システムのダイナミクスを理解することは、多くの科学的および工学的領域において重要である。
この問題は、機械学習技術を用いた観測から状態遷移規則を学習することで解決できる。
このような時系列データは、しばしばノイズとあいまいさを持つ多くの連続変数のシーケンスから構成されるが、いくつかの必須変数でモデル化できるダイナミクスの規則が必要である。
本研究では,高次元時系列データから少数の必須隠れ変数を抽出し,これらの隠れ変数間の状態遷移規則を学習する手法を提案する。
提案手法は,可視層における可観測データと隠蔽層における潜時特徴を取り扱うリミテッド・ボルツマン・マシン(RBM)に基づく。
しかし、ビデオやオーディオのような現実世界のデータには離散変数と連続変数の両方が含まれており、これらの変数は時間的関係を持つ。
そこで我々は,連続可視変数を扱うためにガウス-ベルノウルリ制限ボルツマンマシン(GB-RBM)と離散隠れ変数間の時間依存性を捉えるために,ガウス-ベルノウルリ制限ボルツマンマシン(RTGB-RBM)を提案する。
また,隠れ変数として必須情報を抽出し,解釈可能な状態遷移規則を表現するルールベース手法を提案する。
提案手法を評価するために,バウンシングボールと移動MNISTデータセットの実験を行った。
実験の結果,隠れ変数間の状態遷移規則として物理系のダイナミクスを学習でき,観測された状態遷移から観測されない将来の状態を予測できることがわかった。
関連論文リスト
- SSET: Swapping-Sliding Explanation for Time Series Classifiers in Affect Detection [1.2221087476416053]
機械学習(ML)モデルの局所的な説明は、モデルが特定の決定を下す理由に関する曖昧さを減らすことができるため、大きな注目を集めている。
さまざまなデータタイプ、特にイメージの説明可能性に対処するために、大規模な努力が注がれている。
時系列データにおける時間と他の変数の融合は、生成された説明が人間には理解できない原因となる可能性がある。
論文 参考訳（メタデータ） (2024-10-16T19:47:08Z) - A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。
後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。
実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文 参考訳（メタデータ） (2024-02-26T04:39:01Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Learning noise-induced transitions by multi-scaling reservoir computing [2.9170682727903863]
我々は、雑音による遷移を学習するために、リカレントニューラルネットワークの一種として貯水池コンピューティングという機械学習モデルを開発する。
トレーニングされたモデルは、遷移時間と遷移回数の正確な統計を生成する。
また、二重井戸ポテンシャルの非対称性、非詳細バランスによる回転力学、多安定系の遷移も認識している。
論文 参考訳（メタデータ） (2023-09-11T12:26:36Z) - Time-Varying Transition Matrices with Multi-task Gaussian Processes [0.0]
本稿では,カーネルベースのマルチタスクガウスプロセス(GP)モデルを提案する。
GP の制約点の集合を通じてマルコフ過程における組込み確率の制約を強制する。
我々の数値実験は,遷移確率の関数形式を学習しながら,所望の制約を強制する定式化の能力を示すものである。
論文 参考訳（メタデータ） (2023-06-20T15:22:50Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳（メタデータ） (2022-12-14T01:21:05Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - Discovering State Variables Hidden in Experimental Data [11.045105131750713]
観測されたシステムの状態変数の数を決定するための新しい原理を提案する。
様々な物理力学系の映像記録を用いて,本手法の有効性を実証する。
このアプローチは、ますます複雑なシステムの理解、予測、制御を促進するのに役立つと提案する。
論文 参考訳（メタデータ） (2021-12-20T18:56:59Z) - Modeling Irregular Time Series with Continuous Recurrent Units [3.7335080869292483]
観測時間間の不規則な時間間隔を処理するために,連続的再帰単位(CRU)を提案する。
我々はCRUがニューラル常微分方程式(neural ODE)に基づくモデルよりも不規則時系列を補間できることを示した。
また,本モデルでは,インエイジからダイナミックスを推測し,Kalmanの取得により,ノイズの多い観測結果から,有効な状態更新候補を効率よく抽出できることも示している。
論文 参考訳（メタデータ） (2021-11-22T16:49:15Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳（メタデータ） (2021-11-02T12:33:42Z) - Deducing neighborhoods of classes from a fitted model [68.8204255655161]
本稿では,新しいタイプの解釈可能な機械学習手法を提案する。
量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。
基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
論文 参考訳（メタデータ） (2020-09-11T16:35:53Z)
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。