論文の概要: Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport

• arxiv url: http://arxiv.org/abs/2212.14527v1
• Date: Fri, 30 Dec 2022 03:03:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 17:05:32.823647
• Title: Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport
• Title（参考訳）: マルチマルジナル最適輸送による集計データからの潜在人口流の推定
• Authors: Sikun Yang, Hongyuan Zha
• Abstract要約: 累積カウントデータから潜在人口フローを推定する問題について検討する。 この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。 我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
• 参考スコア（独自算出の注目度）: 57.16851632525864
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We study the problem of estimating latent population flows from aggregated count data. This problem arises when individual trajectories are not available due to privacy issues or measurement fidelity. Instead, the aggregated observations are measured over discrete-time points, for estimating the population flows among states. Most related studies tackle the problems by learning the transition parameters of a time-homogeneous Markov process. Nonetheless, most real-world population flows can be influenced by various uncertainties such as traffic jam and weather conditions. Thus, in many cases, a time-homogeneous Markov model is a poor approximation of the much more complex population flows. To circumvent this difficulty, we resort to a multi-marginal optimal transport (MOT) formulation that can naturally represent aggregated observations with constrained marginals, and encode time-dependent transition matrices by the cost functions. In particular, we propose to estimate the transition flows from aggregated data by learning the cost functions of the MOT framework, which enables us to capture time-varying dynamic patterns. The experiments demonstrate the improved accuracy of the proposed algorithms than the related methods in estimating several real-world transition flows.
• Abstract（参考訳）: 累積カウントデータから潜在人口フローを推定する問題について検討する。 この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。 代わりに、集計された観測は、状態間の人口フローを推定するために離散時間点上で測定される。 関連する研究のほとんどは、時間均質マルコフ過程の遷移パラメータを学習することで問題に取り組む。 しかし、実際の人口の流れは交通渋滞や気象条件など様々な不確実性の影響を受けている。 したがって、多くの場合、時間均質マルコフモデルは、より複雑な人口の流れの貧弱な近似である。 この難しさを回避するため、制約された辺縁で自然に集約された観測を表現し、コスト関数によって時間依存遷移行列をエンコードするマルチマルジナル最適輸送(MOT)の定式化を利用する。 特に、MOTフレームワークのコスト関数を学習することにより、集約データからの遷移フローを推定し、時間変化の動的パターンを捉えることを提案する。 実世界の遷移フローを推定する手法よりも,提案アルゴリズムの精度が向上したことを示す。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• 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)
• Solving multiphysics-based inverse problems with learned surrogates and constraints [1.4747234049753455]
  マルチモーダルなタイムラプスデータは、数値をシミュレートするために収集とコストがかかる。 計算的に安価に学習されたサロゲートと学習制約を組み合わせることで、これらの課題を克服する。 本稿では,2つの異なるデータモダリティに対する制約付き最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-07-18T00:55:37Z)
• Probabilistic Learning of Multivariate Time Series with Temporal Irregularity [25.91078012394032]
  不均一な時間間隔やコンポーネントのミスアライメントを含む時間的不規則。 我々は,非ガウス的データ分布を非パラメトリック的に表現する条件フロー表現を開発する。 提案手法の広範な適用性と優位性は,実世界のデータセット上でのアブレーション研究とテストを通じて,既存のアプローチと比較することによって確認される。
  論文  参考訳（メタデータ） (2023-06-15T14:08:48Z)
• Copula-Based Density Estimation Models for Multivariate Zero-Inflated Continuous Data [0.0]
  ゼロインフレート連続変数間の多変量相関に対処できる2つのコプラに基づく密度推定モデルを提案する。 ゼロインフレーションデータにおける結び付きデータ問題によるコプラの使用の難しさを克服するために,我々は新しいタイプのコプラ,補正されたガウスコプラを提案する。
  論文  参考訳（メタデータ） (2023-04-02T13:43:37Z)
• Training Normalizing Flows from Dependent Data [31.42053454078623]
  データポイント間の依存関係を取り入れたフローの正規化の可能性が示唆された。 本研究では, 観測データ間の依存関係の尊重が, 合成データと実世界のデータの両方に対する経験的結果を改善することを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:50:34Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• 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)
• Accurate non-stationary short-term traffic flow prediction method [0.0]
  本稿では,Long Short-Term Memory (LSTM) に基づく,短時間のトラフィックフローを正確に予測できる手法を提案する。 提案手法は, 極端外れ値, 遅延効果, トレンド変化応答に対して, 優れた性能を有する他の最先端手法に対して良好に動作する。
  論文  参考訳（メタデータ） (2022-05-01T17:11:34Z)
• Batch Stationary Distribution Estimation [98.18201132095066]
  サンプル遷移の組を与えられたエルゴードマルコフ鎖の定常分布を近似する問題を考える。 与えられたデータに対する補正比関数の復元に基づく一貫した推定器を提案する。
  論文  参考訳（メタデータ） (2020-03-02T09:10:01Z)

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。