論文の概要: FV-MgNet: Fully Connected V-cycle MgNet for Interpretable Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2302.00962v1
• Date: Thu, 2 Feb 2023 09:02:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 14:38:26.286141
• Title: FV-MgNet: Fully Connected V-cycle MgNet for Interpretable Time Series Forecasting
• Title（参考訳）: FV-MgNet: 解釈可能な時系列予測のための完全連結VサイクルMgNet
• Authors: Jianqing Zhu, Juncai He, Lian Zhang and Jinchao Xu
• Abstract要約: 長期連続予測のための完全連結型VサイクルMgNetを提案する。 畳み込み操作を既存のMgNetで完全に接続された操作に置き換え、それを予測問題に適用する。
• 参考スコア（独自算出の注目度）: 3.7760201752084757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: By investigating iterative methods for a constrained linear model, we propose a new class of fully connected V-cycle MgNet for long-term time series forecasting, which is one of the most difficult tasks in forecasting. MgNet is a CNN model that was proposed for image classification based on the multigrid (MG) methods for solving discretized partial differential equations (PDEs). We replace the convolutional operations with fully connected operations in the existing MgNet and then apply them to forecasting problems. Motivated by the V-cycle structure in MG, we further propose the FV-MgNet, a V-cycle version of the fully connected MgNet, to extract features hierarchically. By evaluating the performance of FV-MgNet on popular data sets and comparing it with state-of-the-art models, we show that the FV-MgNet achieves better results with less memory usage and faster inference speed. In addition, we develop ablation experiments to demonstrate that the structure of FV-MgNet is the best choice among the many variants.
• Abstract（参考訳）: 制約付き線形モデルのための反復的手法を検討することにより,長期時系列予測のための完全連結型vサイクルmgnetの新たなクラスを提案する。 MgNetは、離散偏微分方程式(PDE)を解くための乗法(MG)法に基づいて、画像分類のためのCNNモデルである。 畳み込み操作を既存のMgNetで完全に接続された操作に置き換え、それを予測問題に適用する。 さらに, 完全連結MgNetのVサイクル版であるFV-MgNetを提案し, 特徴を階層的に抽出する。 一般的なデータセット上でのFV-MgNetの性能を評価し,それを最先端モデルと比較することにより,FV-MgNetはメモリ使用量が少なく,推論速度も速く,より良い結果が得られることを示す。 さらに,FV-MgNetの構造が多くの変種の中で最適であることを示すアブレーション実験を開発した。

関連論文リスト

• Deep Learning-Driven Microstructure Characterization and Vickers Hardness Prediction of Mg-Gd Alloys [7.246224582503583]
  本研究では,画像処理と深層学習技術に基づくマルチモーダル融合学習フレームワークを提案する。 固溶Mg-Gd合金のビッカース硬さを正確に予測するために, 元素組成と組織特性を統合した。
  論文  参考訳（メタデータ） (2024-10-27T10:28:29Z)
• Enhancing Data-Assimilation in CFD using Graph Neural Networks [0.0]
  本稿では,グラフニューラルネットワーク(GNN)モデルによる随伴最適化に基づく,流体力学に応用されたデータ同化のための新しい機械学習手法を提案する。 我々は,有限要素法(FEM)の解法に基づく直接数値シミュレーションを用いて,GNNモデルと解法の間の2次元のインターフェースにより,GNNの予測をFEM解析の処理後ステップに組み込むことができることを示す。
  論文  参考訳（メタデータ） (2023-11-29T19:11:40Z)
• An Enhanced V-cycle MgNet Model for Operator Learning in Numerical Partial Differential Equations [4.100632594106989]
  本研究では、数値偏微分方程式(PDE)を解く演算子学習においてMgNetとして知られる多重グリッドベースの畳み込みニューラルネットワークアーキテクチャを用いる。 標準VサイクルMgNetを強化するために,残差に対する低周波補正構造を導入する。 強化されたMgNetモデルは、標準のVサイクルMgNetよりもはるかに優れた解の低周波特性を捉えることができる。
  論文  参考訳（メタデータ） (2023-02-02T08:28:07Z)
• A new perspective on probabilistic image modeling [92.89846887298852]
  本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。 DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。 本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
  論文  参考訳（メタデータ） (2022-03-21T14:53:57Z)
• An Interpretive Constrained Linear Model for ResNet and MgNet [4.407784399315197]
  畳み込みニューラルネットワーク(CNN)を用いた画像分類のための解釈可能な数学的モデルとして、制約付き線形データフィーチャーマッピングモデルを提案する。 線形系に対する従来の反復的スキームとResNet型およびMgNet型モデルの基本ブロックのアーキテクチャとの詳細な関係を確立する。 修正されたResNetモデルでは、元のモデルと比較してパラメータが少ないが、より正確な結果が得られる。
  論文  参考訳（メタデータ） (2021-12-14T14:52:44Z)
• Image Modeling with Deep Convolutional Gaussian Mixture Models [79.0660895390689]
  画像の記述と生成に適したGMM(Deep Hierarchical Gaussian Mixture Models)の新しい定式化を紹介します。 DCGMMは、畳み込みとプーリング操作によってリンクされた複数のGMM層の積み重ねたアーキテクチャによってこれを回避している。 dcgmmsでシャープな画像を生成するために,畳み込みやプーリングなどの非可逆操作をサンプリングする新しい勾配に基づく手法を提案する。 MNISTとFashionMNISTのデータセットに基づいて,クラスタリング,サンプリング,外乱検出において,フラットなGMMよりも優れていることを示すことで,DCGMMsモデルを検証した。
  論文  参考訳（メタデータ） (2021-04-19T12:08:53Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)
• Normalizing Flows with Multi-Scale Autoregressive Priors [131.895570212956]
  マルチスケール自己回帰前処理(mAR)を通した遅延空間におけるチャネルワイド依存性を導入する。 我々のmARは、分割結合フロー層(mAR-SCF)を持つモデルに先立って、複雑なマルチモーダルデータの依存関係をよりよく捉えます。 我々は,mAR-SCFにより画像生成品質が向上し,FIDとインセプションのスコアは最先端のフローベースモデルと比較して向上したことを示す。
  論文  参考訳（メタデータ） (2020-04-08T09:07:11Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)
• 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。