論文の概要: Interpretable Transformer for Water Level Forecasting
- arxiv url: http://arxiv.org/abs/2303.00515v2
- Date: Thu, 2 Mar 2023 01:54:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-03 17:12:20.118523
- Title: Interpretable Transformer for Water Level Forecasting
- Title(参考訳): 水位予測のための解釈変換器
- Authors: Sunghcul Hong, Yunjin Choi and Jong-June Jeon
- Abstract要約: 本稿では,変数間の事前知識に基づいて因果関係を利用する新しいトランスフォーマーを提案する。
提案モデルでは,因果構造を多層ネットワークとして形式化し,空間的因果関係と時間的因果関係を考察する。
実データ分析では、2016年から2021年までのハン川データセットを使用して、提案したモデルとディープラーニングモデルを比較します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Forecasting the water level of the Han river is important to control traffic
and avoid natural disasters. There are many variables related to the Han river
and they are intricately connected. In this work, we propose a novel
transformer that exploits the causal relationship based on the prior knowledge
among the variables and forecasts the four bridges of the Han river: Cheongdam,
Jamsu, Hangang, and Haengju. Our proposed model considers both spatial and
temporal causation by formalizing the causal structure as a multilayer network
and using masking methods. Due to this approach, we can have interpretability
that consistent with prior knowledge. In real data analysis, we use the Han
river dataset from 2016 to 2021 and compare the proposed model with deep
learning models.
- Abstract(参考訳): ハン川の水位を予測することは交通の制御や自然災害の回避に重要である。
漢川には多くの変数があり、複雑に繋がっている。
本研究は,ハン川に架かる4つの橋であるチョンダム,ジャムス,ハングル,ハエンジュを,変数間の事前の知識に基づいて因果関係を利用して予測するトランスフォーマーを提案する。
提案モデルは,多層ネットワークとして因果構造を定式化し,マスキング法を用いて空間的および時間的因果関係を考察する。
このアプローチにより、事前の知識と一致する解釈可能性を持つことができる。
実データ解析では,2016年から2021年までのhan riverデータセットを用いて,提案モデルとディープラーニングモデルを比較した。
関連論文リスト
- Model Collapse Demystified: The Case of Regression [13.616450446685038]
モデル崩壊(モデル崩壊)とは、モデルが過去の世代から生成されたデータに基づいて時間をかけて訓練されるときに、そのモデルが最終的に役に立たないようになるまでその性能が低下する状況を指す。
本稿では,この現象をカーネル回帰の簡易な設定で研究し,モデルが偽データに対処できる場所と,モデルの性能が完全に崩壊する状況との間に明確な相互関係を示す結果を得る。
論文 参考訳(メタデータ) (2024-02-12T15:26:01Z) - Improving Adversarial Transferability via Model Alignment [26.95556342928466]
本稿では,トランスファー可能な逆方向摂動を生成するためのモデルアライメント手法を提案する。
さまざまなモデルアーキテクチャを用いたImageNetデータセットの実験では、アライメントされたソースモデルから発生する摂動が、転送可能性を大幅に向上することを示した。
論文 参考訳(メタデータ) (2023-11-30T12:15:49Z) - Mining Causality from Continuous-time Dynamics Models: An Application to
Tsunami Forecasting [22.434845478979604]
本研究では,連続時間モデルから因果構造を抽出する機構を提案する。
我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。
本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
論文 参考訳(メタデータ) (2022-10-10T18:53:13Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-09T17:12:32Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Black-box Adversarial Attacks on Network-wide Multi-step Traffic State
Prediction Models [4.353029347463806]
予測モデルをブラックボックスとして扱うことで,敵攻撃の枠組みを提案する。
相手は任意の入力で予測モデルを導出し、対応する出力を得る。
攻撃の有効性を検証するため,グラフニューラルネットワークベースモデル(GCGRNNとDCRNN)の2つの状態について検討した。
論文 参考訳(メタデータ) (2021-10-17T03:45:35Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-04T18:03:31Z) - 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) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - Causal Inference with Deep Causal Graphs [0.0]
パラメトリック因果モデリング技術は、カウンターファクト推定の機能を提供することはめったにない。
Deep Causal Graphsは、因果分布をモデル化するニューラルネットワークに必要な機能の抽象的な仕様である。
複雑な相互作用をモデル化する上で,その表現力を示し,機械学習の説明可能性と公正性を示す。
論文 参考訳(メタデータ) (2020-06-15T13:03:33Z)
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。