論文の概要: Generalized adaptive smoothing based neural network architecture for traffic state estimation

• arxiv url: http://arxiv.org/abs/2301.03439v1
• Date: Mon, 9 Jan 2023 15:40:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 16:34:33.099515
• Title: Generalized adaptive smoothing based neural network architecture for traffic state estimation
• Title（参考訳）: 一般化適応平滑化に基づく交通状態推定のためのニューラルネットワークアーキテクチャ
• Authors: Chuhan Yang, Sai Venkata Ramana Ambadipudi and Saif Eddin Jabari
• Abstract要約: 適応平滑化法(Adaptive smoothing method, ASM)は、トラフィック状態推定に使用される標準データ駆動方式である。 そこで我々は,道路センサからスパースデータから学習することで,パラメータを自動的に調整するASMに基づくニューラルネットワークを提案する。 実験の結果,ASNNとMASNNは従来のASMよりも優れていた。
• 参考スコア（独自算出の注目度）: 1.0312968200748118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The adaptive smoothing method (ASM) is a standard data-driven technique used in traffic state estimation. The ASM has free parameters which, in practice, are chosen to be some generally acceptable values based on intuition. However, we note that the heuristically chosen values often result in un-physical predictions by the ASM. In this work, we propose a neural network based on the ASM which tunes those parameters automatically by learning from sparse data from road sensors. We refer to it as the adaptive smoothing neural network (ASNN). We also propose a modified ASNN (MASNN), which makes it a strong learner by using ensemble averaging. The ASNN and MASNN are trained and tested two real-world datasets. Our experiments reveal that the ASNN and the MASNN outperform the conventional ASM.
• Abstract（参考訳）: adaptive smoothing method (asm) は、トラフィック状態推定に使用される標準データ駆動手法である。 ASMは自由パラメータを持ち、実際には直観に基づいて一般に受け入れられる値として選択される。 しかし、ヒューリスティックに選択された値はしばしばASMによる非物理的予測をもたらす。 本研究では,道路センサのスパースデータから学習したパラメータを自動的に調整するASMに基づくニューラルネットワークを提案する。 これを適応スムージングニューラルネットワーク(ASNN)と呼ぶ。 また,アンサンブル平均化を用いて強力な学習者を実現する改良型ASNN (MASNN) を提案する。 ASNNとMASNNは2つの実世界のデータセットをトレーニングし、テストしている。 実験の結果,ASNNとMASNNは従来のASMよりも優れていた。

関連論文リスト

• Accurate Mapping of RNNs on Neuromorphic Hardware with Adaptive Spiking Neurons [2.9410174624086025]
  我々は、SigmaDelta$-low-pass RNN(lpRNN)を、レートベースのRNNをスパイクニューラルネットワーク(SNN)にマッピングするために提示する。 適応スパイキングニューロンモデルは、$SigmaDelta$-modulationを使って信号を符号化し、正確なマッピングを可能にする。 我々は、Intelのニューロモルフィック研究チップLoihiにおけるlpRNNの実装を実演する。
  論文  参考訳（メタデータ） (2024-07-18T14:06:07Z)
• A hybrid IndRNNLSTM approach for real-time anomaly detection in software-defined networks [0.0]
  データフロー予測を用いたSDNの異常検出は難しい作業である。 IndRNNLSTMアルゴリズムは Embedded と組み合わせて、NSL-KDDデータ上で MAE=1.22 と RMSE=9.92 を達成することができた。
  論文  参考訳（メタデータ） (2024-02-02T20:41:55Z)
• Text Classification in Memristor-based Spiking Neural Networks [0.0]
  IMDB映画レビューデータセットにおける感情分析タスクを実演するために,仮想記憶器アレイを用いたシミュレーションフレームワークを開発した。 トレーニング済みのANNをmmristorベースのSNNに変換し,84.86%をmemristorベースのSNNを直接トレーニングすることで,85.88%の分類精度を実現する。 また, スパイクトレイン長, リードノイズ, および重み更新停止条件などの大域的パラメータが, どちらのアプローチにおいてもニューラルネットワークに与える影響についても検討した。
  論文  参考訳（メタデータ） (2022-07-27T18:08:31Z)
• Deep neural network based adaptive learning for switched systems [0.3222802562733786]
  スイッチングシステムに対するディープニューラルネットワークに基づく適応学習(DNN-AL)アプローチを提案する。 観測されたデータセットは、各サブセット内の構造的変化など、アダプティブにサブセットに分解される。 以前のイテレーションステップのネットワークパラメータは、後続のイテレーションステップでネットワークを初期化するために再利用される。
  論文  参考訳（メタデータ） (2022-07-11T04:51:58Z)
• Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。 非分化性のため、SNNを効率的に訓練することは困難である。 本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T12:44:49Z)
• Supervised Training of Siamese Spiking Neural Networks with Earth's Mover Distance [4.047840018793636]
  本研究は,高可逆性シアムニューラルネットモデルをイベントデータ領域に適応させる。 我々はスパイク・トレインとスパイク・ニューラル・ネットワーク(SNN)の間の地球のモーバー距離を最適化するための教師付きトレーニング・フレームワークを導入する。
  論文  参考訳（メタデータ） (2022-02-20T00:27:57Z)
• Can we learn gradients by Hamiltonian Neural Networks? [68.8204255655161]
  本稿では,勾配を学習するODEニューラルネットワークに基づくメタラーナを提案する。 提案手法は,LLUアクティベーションを最適化したMLMとMNISTデータセットにおいて,LSTMに基づくメタラーナーよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-31T18:35:10Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。