論文の概要: Inferring networks from time series: a neural approach

• arxiv url: http://arxiv.org/abs/2303.18059v3
• Date: Wed, 1 Nov 2023 11:15:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 17:55:21.831806
• Title: Inferring networks from time series: a neural approach
• Title（参考訳）: 時系列からネットワークを推測する:ニューラルネットワーク
• Authors: Thomas Gaskin, Grigorios A. Pavliotis, Mark Girolami
• Abstract要約: 本稿では,ニューラルネットワークを用いて時系列データから大規模ネットワーク隣接行列を推定する強力な計算手法を提案する。 電力カットに対する応答から、英国電力網の線路故障箇所を推定することで、我々の能力を実証する。
• 参考スコア（独自算出の注目度）: 3.115375810642661
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network structures underlie the dynamics of many complex phenomena, from gene regulation and foodwebs to power grids and social media. Yet, as they often cannot be observed directly, their connectivities must be inferred from observations of the dynamics to which they give rise. In this work we present a powerful computational method to infer large network adjacency matrices from time series data using a neural network, in order to provide uncertainty quantification on the prediction in a manner that reflects both the degree to which the inference problem is underdetermined as well as the noise on the data. This is a feature that other approaches have hitherto been lacking. We demonstrate our method's capabilities by inferring line failure locations in the British power grid from its response to a power cut, providing probability densities on each edge and allowing the use of hypothesis testing to make meaningful probabilistic statements about the location of the cut. Our method is significantly more accurate than both Markov-chain Monte Carlo sampling and least squares regression on noisy data and when the problem is underdetermined, while naturally extending to the case of non-linear dynamics, which we demonstrate by learning an entire cost matrix for a non-linear model of economic activity in Greater London. Not having been specifically engineered for network inference, this method in fact represents a general parameter estimation scheme that is applicable to any high-dimensional parameter space.
• Abstract（参考訳）: ネットワーク構造は、遺伝子規制や食品ウェブから電力網やソーシャルメディアに至るまで、多くの複雑な現象のダイナミクスを基盤としている。 しかし、しばしば直接観測できないため、それらの結合性はそれらが生み出す力学の観測から推測されなければならない。 本研究では,ニューラルネットワークを用いた時系列データから大規模ネットワーク隣接行列を推定する強力な計算手法を提案する。 これは他のアプローチが欠如している機能である。 本手法は,イギリス電力網の故障箇所を電力カットに対する応答から推定し,各エッジに確率密度を与え,仮説検定を用いて切断位置について有意義な確率的記述を行うことにより,その性能を実証する。 提案手法は, マルコフ連鎖モンテカルロサンプリング法と, ノイズデータに対する最小2乗回帰法と, 問題を過小評価した場合には, 自然に非線形力学に拡張し, ロンドンにおける非線形経済活動モデル全体のコスト行列を学習することによって, より正確であることを示す。 ネットワーク推論のために特別に設計されていないこの手法は、実際には任意の高次元パラメータ空間に適用可能な一般的なパラメータ推定スキームを表している。

関連論文リスト

• A theory of data variability in Neural Network Bayesian inference [0.70224924046445]
  無限広ネットワークの一般化特性をカバーする場理論形式論を提供する。 入力の統計的性質から一般化特性を導出する。 データ可変性は、(varphi3+varphi4$)-理論を思い起こさせる非ガウス的作用をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-07-31T14:11:32Z)
• The Decimation Scheme for Symmetric Matrix Factorization [0.0]
  行列分解(Matrix factorization)は、その広範囲な応用により重要になった推論問題である。 我々はこの広範囲なランク問題について研究し、最近導入した代替の「決定」手順を拡張した。 本稿では,デシメーションを実装し,行列分解を行う基底状態探索に基づく簡単なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:53:45Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• On the ISS Property of the Gradient Flow for Single Hidden-Layer Neural Networks with Linear Activations [0.0]
  本研究では,不確かさが勾配推定に及ぼす影響について検討した。 一般の過度にパラメータ化された定式化は、損失関数が最小化される集合の外側に配置されるスプリアス平衡の集合を導入することを示す。
  論文  参考訳（メタデータ） (2023-05-17T02:26:34Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer Linear Networks [51.1848572349154]
  ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。 我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
  論文  参考訳（メタデータ） (2021-08-25T22:01:01Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Uncertainty Quantification of Locally Nonlinear Dynamical Systems using Neural Networks [0.0]
  構造工学において、しばしば線形構造は、その中に不確実性が存在する空間的に局所的な非線形性を含む。 不確実性定量化のためのサンプリングベース手法を用いた標準非線形解法は,計算コストを著しく高める。 本稿では,科学機械学習コミュニティで最近普及している汎用関数近似ツールであるニューラルネットワークを用いて,擬似力を推定する。
  論文  参考訳（メタデータ） (2020-08-11T09:30:47Z)
• An algorithm for reconstruction of triangle-free linear dynamic networks with verification of correctness [2.28438857884398]
  本稿では,三角形のないネットワークのトポロジを正確に復元するか,あるいは実際のネットワークのトポロジよりもスペーサーなグラフを出力する手法を提案する。 無限のデータに限っても、真のネットワークに存在しないエッジを推測することで、任意の再構成手法が受容可能であることを証明している。
  論文  参考訳（メタデータ） (2020-03-05T19:10:29Z)

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。