論文の概要: Graph state-space models

• arxiv url: http://arxiv.org/abs/2301.01741v1
• Date: Wed, 4 Jan 2023 18:15:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 15:49:15.568398
• Title: Graph state-space models
• Title（参考訳）: グラフ状態空間モデル
• Authors: Daniele Zambon, Andrea Cini, Lorenzo Livi, Cesare Alippi
• Abstract要約: 状態空間モデルは、時系列を記述し、予測されるシステム状態の更新された表現を維持することで操作する。 この原稿は、このギャップを初めて埋めることを目的としており、遅延依存をキャプチャする関数グラフがデータから直接学習され、時間とともに変更が許される、意図しない状態データとマッチングする。 ダウンストリームタスクで状態空間モデルのエンドツーエンドを学習するために,エンコーダ・デコーダアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 19.88814714919019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-space models constitute an effective modeling tool to describe multivariate time series and operate by maintaining an updated representation of the system state from which predictions are made. Within this framework, relational inductive biases, e.g., associated with functional dependencies existing among signals, are not explicitly exploited leaving unattended great opportunities for effective modeling approaches. The manuscript aims, for the first time, at filling this gap by matching state-space modeling and spatio-temporal data where the relational information, say the functional graph capturing latent dependencies, is learned directly from data and is allowed to change over time. Within a probabilistic formulation that accounts for the uncertainty in the data-generating process, an encoder-decoder architecture is proposed to learn the state-space model end-to-end on a downstream task. The proposed methodological framework generalizes several state-of-the-art methods and demonstrates to be effective in extracting meaningful relational information while achieving optimal forecasting performance in controlled environments.
• Abstract（参考訳）: 状態空間モデルは、多変量時系列を記述し、予測されるシステム状態の更新された表現を維持することで操作する効果的なモデリングツールである。 このフレームワーク内では、例えば信号の間に存在する機能的依存関係に関連する関係帰納的バイアスは、効果的なモデリングアプローチに意図しない大きな機会を残して、明示的には利用されない。 原稿は、初めてこのギャップを埋めることを目的として、状態空間モデリングと時空間データとをマッチングし、リレーショナル情報(例えば、潜在依存関係をキャプチャする関数グラフ)をデータから直接学習し、時間とともに変更することを許す。 データ生成プロセスの不確かさを考慮に入れた確率的定式化の中で、下流タスクで状態空間モデルのエンドツーエンドを学習するためにエンコーダ・デコーダアーキテクチャを提案する。 提案手法は,いくつかの最先端手法を一般化し,制御環境における最適予測性能を達成しつつ,有意義な関係情報の抽出に有効であることを示す。

関連論文リスト

• Learning Space-Time Continuous Neural PDEs from Partially Observed States [13.01244901400942]
  格子独立モデル学習偏微分方程式(PDE)を雑音および不規則格子上の部分的な観測から導入する。 本稿では、効率的な確率的フレームワークとデータ効率とグリッド独立性を改善するための新しい設計エンコーダを備えた時空間連続型ニューラルネットワークPDEモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-09T06:53:59Z)
• 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)
• Spectral Representation Learning for Conditional Moment Models [33.34244475589745]
  本研究では,不適切度を制御した表現を自動学習する手法を提案する。 本手法は,条件付き期待演算子のスペクトル分解によって定義される線形表現を近似する。 この表現をデータから効率的に推定できることを示し、得られた推定値に対してL2整合性を確立する。
  論文  参考訳（メタデータ） (2022-10-29T07:48:29Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• Diffusion-based Time Series Imputation and Forecasting with Structured State Space Models [2.299617836036273]
  我々は、条件拡散モデルと構造化状態空間モデルという2つの新興技術に依存した計算モデルであるSSSDを提唱した。 我々は、SSSDが最先端の確率的計算値と一致し、幅広いデータセットと異なる欠点シナリオで性能を予測できることを実証する。
  論文  参考訳（メタデータ） (2022-08-19T15:29:43Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Relational VAE: A Continuous Latent Variable Model for Graph Structured Data [0.0]
  シミュレーションおよび実風力発電モニタリングデータに対する構造的確率密度モデルの適用例を示す。 ソースコードとシミュレートされたデータセットを合わせてリリースします。
  論文  参考訳（メタデータ） (2021-06-30T13:24:27Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Model-based Policy Optimization with Unsupervised Model Adaptation [37.09948645461043]
  本研究では,不正確なモデル推定による実データとシミュレーションデータのギャップを埋めて,より良いポリシ最適化を実現する方法について検討する。 本稿では,教師なしモデル適応を導入したモデルベース強化学習フレームワークAMPOを提案する。 提案手法は,一連の連続制御ベンチマークタスクにおけるサンプル効率の観点から,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-10-19T14:19:42Z)
• From Static to Dynamic Node Embeddings [61.58641072424504]
  本稿では,時間的予測に基づくアプリケーションにグラフストリームデータを活用するための汎用フレームワークを提案する。 提案フレームワークは,適切なグラフ時系列表現を学習するための新しい手法を含む。 トップ3の時間モデルは常に新しい$epsilon$-graphの時系列表現を利用するモデルであることが分かりました。
  論文  参考訳（メタデータ） (2020-09-21T16:48:29Z)

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。