論文の概要: Interpretable Water Level Forecaster with Spatiotemporal Causal
Attention Mechanisms
- arxiv url: http://arxiv.org/abs/2303.00515v6
- Date: Thu, 29 Jun 2023 06:00:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 19:16:56.906617
- Title: Interpretable Water Level Forecaster with Spatiotemporal Causal
Attention Mechanisms
- Title(参考訳): 時空間的因果注意機構を有する解釈可能な水位予測器
- Authors: Sunghcul Hong, Yunjin Choi and Jong-June Jeon
- Abstract要約: 本研究は,先行知識に基づく因果関係を利用したトランスフォーマーを用いたニューラルテンポラルモデルを提案する。
2016年のHan Riverデータセットを2021と比較し、私たちのモデルが事前の知識と解釈可能で一貫性のあるモデルを提供することを確認した。
- 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 essential to control traffic
and avoid natural disasters. The stream flow of the Han River is affected by
various and intricately connected factors. Thus, a simple forecasting machine
frequently fails to capture its serial pattern. On the other hand, a complex
predictive model loses the interpretability of the model output. This work
proposes a neural network model with a novel transformer exploiting a causal
relationship based on prior knowledge. The transformer consists of
spatiotemporal attention weight that describes the spatial and temporal
causation with multilayer networks with masking. Our model has two
distinguished advantages against the existing spatiotemporal forecasting
models. First, the model allows the heterogeneous predictors for each site such
that a flexible regression is applicable to the causal network. Next, the model
is adapted to partially identified causal structures. As a result, we have
relaxed the constraints of the applicable causal network through our model. In
real data analysis, we use the Han River dataset from 2016 to 2021, compare the
proposed model with deep learning models, and confirm that our model provides
an interpretable and consistent model with prior knowledge, such as a
seasonality arising from the tidal force. Furthermore, in prediction
performance, our model is better than or competitive with the state-of-the-art
models.
- Abstract(参考訳): ハン川の水位を予測することは交通の制御と自然災害の回避に不可欠である。
漢川の流れは様々な複雑に結びついている要因の影響を受けている。
したがって、単純な予測マシンはシリアルパターンをキャプチャできないことが多い。
一方、複雑な予測モデルは、モデル出力の解釈可能性を失う。
本研究は,先行知識に基づく因果関係を利用した新しいトランスフォーマーを用いたニューラルネットワークモデルを提案する。
変圧器は空間的および時間的因果関係をマスク付き多層ネットワークで記述した時空間的注意重みからなる。
本モデルでは,既存の時空間予測モデルに対して2つの利点がある。
第一に、モデルにより各部位に不均一な予測が可能となり、フレキシブルな回帰が因果ネットワークに適用できる。
次に、モデルは部分的に同定された因果構造に適合する。
その結果,モデルを通じて,適用可能な因果ネットワークの制約を緩和した。
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用いて,提案したモデルとディープラーニングモデルを比較し,干潟力から生じる季節性などの事前知識と解釈可能な一貫性のあるモデルを提供することを確認する。
さらに、予測性能では、最先端モデルよりも、あるいは競合モデルの方が優れています。
関連論文リスト
- Power Failure Cascade Prediction using Graph Neural Networks [4.667031410586657]
本稿では,初期コンテンジェンシーと電力注入値が与えられたカスケードプロセスの各世代におけるグリッド状態を予測するフローフリーモデルを提案する。
提案モデルにより,計算時間をほぼ2桁に短縮できることを示す。
論文 参考訳(メタデータ) (2024-04-24T18:45:50Z) - Graph neural network-based surrogate modelling for real-time hydraulic prediction of urban drainage networks [1.8073031015436376]
物理モデルに基づくモデルは、計算に時間がかかり、都市排水網のリアルタイムシナリオには有効ではない。
完全に接続されたニューラルネットワーク(NN)は、潜在的な代理モデルであるが、複雑なターゲットに適合する際の解釈可能性と効率の低下に悩まされる可能性がある。
本研究は, 排水網の水理予測問題に対する流路モデルのGNNに基づくサロゲートを提案する。
論文 参考訳(メタデータ) (2024-04-16T07:08:04Z) - Improving Adversarial Transferability via Model Alignment [25.43899674478279]
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) - 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。