論文の概要: Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport

• arxiv url: http://arxiv.org/abs/2303.07675v1
• Date: Tue, 14 Mar 2023 07:25:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 16:08:11.509041
• Title: Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport
• Title（参考訳）: シンクホーンフロー:最適輸送を用いた力学系における確率質量流の予測
• Authors: Mukul Bhutani and J. Zico Kolter
• Abstract要約: そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
• 参考スコア（独自算出の注目度）: 89.61692654941106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting how distributions over discrete variables vary over time is a common task in time series forecasting. But whereas most approaches focus on merely predicting the distribution at subsequent time steps, a crucial piece of information in many settings is to determine how this probability mass flows between the different elements over time. We propose a new approach to predicting such mass flow over time using optimal transport. Specifically, we propose a generic approach to predicting transport matrices in end-to-end deep learning systems, replacing the standard softmax operation with Sinkhorn iterations. We apply our approach to the task of predicting how communities will evolve over time in social network settings, and show that the approach improves substantially over alternative prediction methods. We specifically highlight results on the task of predicting faction evolution in Ukrainian parliamentary voting.
• Abstract（参考訳）: 離散変数上の分布が時間とともにどのように変化するかを予測することは、時系列予測において一般的なタスクである。 しかし、ほとんどのアプローチは、後続のステップで分布を予測することだけに重点を置いているが、多くの設定において重要な情報は、この確率質量が時間とともに異なる要素間でどのように流れるかを決定することである。 そこで本稿では, 最適輸送を用いた時間的変動予測手法を提案する。 具体的には、エンド・ツー・エンドのディープラーニングシステムにおいて、標準的なソフトマックス演算をシンクホーン繰り返しに置き換え、輸送行列を予測する一般的な手法を提案する。 提案手法は,ソーシャル・ネットワークにおいて,時間とともにコミュニティがどのように発展していくかを予測するタスクに適用し,そのアプローチが代替予測手法よりも大幅に改善することを示す。 特に,ウクライナ議会投票における派閥進化予測の課題について注目する。

関連論文リスト

• Evolving Multi-Scale Normalization for Time Series Forecasting under Distribution Shifts [20.02869280775877]
  本稿では,分散シフト問題に対処するモデル非依存型マルチスケール正規化(EvoMSN)フレームワークを提案する。 ベンチマークデータセット上での5つの主流予測手法の性能向上におけるEvoMSNの有効性を評価する。
  論文  参考訳（メタデータ） (2024-09-29T14:26:22Z)
• Time Series Prediction under Distribution Shift using Differentiable Forgetting [0.0]
  我々は,重み付き経験的リスク最小化問題として,分布シフトの下での時系列予測について検討した。 経験的リスクにおける過去の観測の重み付けは、忘れる機構によって決定される。 そこで本研究では,忘れる機構のパラメータに対する勾配に基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2022-07-23T10:32:37Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Conditional Approximate Normalizing Flows for Joint Multi-Step Probabilistic Electricity Demand Forecasting [32.907448044102864]
  本研究では,条件付き近似正規化流(CANF)を導入し,長い時間的地平線上で相関が存在する場合の確率的多段階時系列予測を行う。 実験の結果, 条件付き近似正規化フローは, 多段階予測精度で他の手法よりも優れており, 最大10倍のスケジューリング決定が導かれることがわかった。
  論文  参考訳（メタデータ） (2022-01-08T03:42:12Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Robustness via Cross-Domain Ensembles [0.5801044612920816]
  本稿では,ニューラルネットワークの予測をトレーニングデータ分布からのシフトに対して頑健にする手法を提案する。 提案手法は,多種多様なキューを用いて予測を行い,それらを1つの強い予測にまとめる手法である。
  論文  参考訳（メタデータ） (2021-03-19T17:28:03Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。