Fugu-MT 論文翻訳(概要): PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation

論文の概要: PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation

arxiv url: http://arxiv.org/abs/2302.09746v1
Date: Mon, 20 Feb 2023 03:52:53 GMT
ステータス: 処理完了
システム内更新日: 2023-02-21 16:45:42.325567
Title: PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation
Title（参考訳）: PriSTI:時空間インプットのための条件拡散フレームワーク
Authors: Mingzhe Liu, Han Huang, Hao Feng, Leilei Sun, Bowen Du, Yanjie Fu
Abstract要約: 本稿では,PriSTI という先行モデルを用いた時空間計算のための条件拡散フレームワークを提案する。 PriSTIは、さまざまな現実世界データの欠落パターンにおいて既存の計算方法よりも優れており、高い欠落率やセンサーの故障といったシナリオを効果的に処理する。
参考スコア（独自算出の注目度）: 35.62945607302276
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spatiotemporal data mining plays an important role in air quality monitoring, crowd flow modeling, and climate forecasting. However, the originally collected spatiotemporal data in real-world scenarios is usually incomplete due to sensor failures or transmission loss. Spatiotemporal imputation aims to fill the missing values according to the observed values and the underlying spatiotemporal dependence of them. The previous dominant models impute missing values autoregressively and suffer from the problem of error accumulation. As emerging powerful generative models, the diffusion probabilistic models can be adopted to impute missing values conditioned by observations and avoid inferring missing values from inaccurate historical imputation. However, the construction and utilization of conditional information are inevitable challenges when applying diffusion models to spatiotemporal imputation. To address above issues, we propose a conditional diffusion framework for spatiotemporal imputation with enhanced prior modeling, named PriSTI. Our proposed framework provides a conditional feature extraction module first to extract the coarse yet effective spatiotemporal dependencies from conditional information as the global context prior. Then, a noise estimation module transforms random noise to realistic values, with the spatiotemporal attention weights calculated by the conditional feature, as well as the consideration of geographic relationships. PriSTI outperforms existing imputation methods in various missing patterns of different real-world spatiotemporal data, and effectively handles scenarios such as high missing rates and sensor failure. The implementation code is available at https://github.com/LMZZML/PriSTI.
Abstract（参考訳）: 時空間データマイニングは,大気質モニタリング,クラウドフローモデリング,気候予報において重要な役割を担っている。しかし、現実のシナリオで収集された時空間データは、センサーの故障や伝送損失のために通常不完全である。時空間的インプテーションは、観測された値とそれらの時空間的依存に応じて欠落した値を満たすことを目的としている。以前の支配的モデルは、自己回帰的に値の欠落を引き起こし、エラー蓄積の問題に苦しむ。強力な生成モデルが出現するにつれて、拡散確率モデルは、観測によって条件づけられた欠落値や、不正確な歴史的含意からの欠落値の推測を避けるために用いられる。しかし,時空間計算に拡散モデルを適用する場合,条件情報の構築と利用は避けられない課題である。上記の問題に対処するため,PriSTIという事前モデリングを改良した時空間計算のための条件拡散フレームワークを提案する。提案フレームワークは条件付き特徴抽出モジュールを提供し,まず条件付き情報から不規則かつ有効な時空間的依存関係をグローバルコンテキストとして抽出する。そして、雑音推定モジュールは、条件付き特徴によって計算された時空間的注意重みと地理的関係を考慮したランダムノイズを現実的な値に変換する。 PriSTIは、様々な現実世界の時空間データの欠落パターンにおいて既存の計算方法よりも優れており、高い欠落率やセンサーの故障といったシナリオを効果的に処理する。実装コードはhttps://github.com/lmzzml/pristiで入手できる。

関連論文リスト

On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文参考訳（メタデータ） (2024-10-21T18:31:04Z)
Latent Space Score-based Diffusion Model for Probabilistic Multivariate Time Series Imputation [6.9295879301090535]
確率的時系列計算のための遅延空間スコアベース拡散モデル(LSSDM)を提案する。 LSSDMは、計算機構のより良い説明と不確実性解析を提供しながら、優れた計算性能を実現する。
論文参考訳（メタデータ） (2024-09-13T15:32:26Z)
Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation [0.0]
ガウス過程 (GP) はフレキシブルな非線形回帰法である。これは、予測された(非現実的な)値に対する不確実性を扱うための原則化されたアプローチを提供する。これは外挿または弱い重なり合いの条件下では特に有用である。
論文参考訳（メタデータ） (2024-07-15T05:09:50Z)
A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
C$2$TSDという条件拡散フレームワークを導入する。実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
論文参考訳（メタデータ） (2024-02-18T11:59:04Z)
Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。タスクに対してSTSMというモデルを提案する。私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
論文参考訳（メタデータ） (2024-01-19T06:26:05Z)
CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文参考訳（メタデータ） (2023-09-07T17:07:33Z)
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)
Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T14:27:27Z)
Uncertainty Quantification for Local Model Explanations Without Model Access [0.44241702149260353]
本稿では,機械学習モデルに対するポストホックな説明を生成するためのモデルに依存しないアルゴリズムを提案する。本アルゴリズムは,モデルクエリの有限サンプルから説明を生成する際に必然的に発生する不確実性を定量化するためにブートストラップ方式を用いる。
論文参考訳（メタデータ） (2023-01-13T21:18:00Z)
CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation [107.63407690972139]
Conditional Score-based Diffusion Model for Imputation (CSDI) は、観測データに条件付きスコアベース拡散モデルを利用する新しい時系列計算法である。 CSDIは、一般的なパフォーマンスメトリクスの既存の確率論的計算方法よりも40-70%改善されている。さらに、Cは最先端の決定論的計算法と比較して誤差を5-20%削減する。
論文参考訳（メタデータ） (2021-07-07T22:20:24Z)
Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。