論文の概要: MM-DAG: Multi-task DAG Learning for Multi-modal Data -- with Application
for Traffic Congestion Analysis
- arxiv url: http://arxiv.org/abs/2306.02831v1
- Date: Mon, 5 Jun 2023 12:27:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 15:11:27.753857
- Title: MM-DAG: Multi-task DAG Learning for Multi-modal Data -- with Application
for Traffic Congestion Analysis
- Title（参考訳）: MM-DAG:マルチモーダルデータのためのマルチタスクDAG学習と交通渋滞解析への応用
- Authors: Tian Lan, Ziyue Li, Zhishuai Li, Lei Bai, Man Li, Fugee Tsung,
Wolfgang Ketter, Rui Zhao, Chen Zhang
- Abstract要約: マルチタスク・マルチモーダル直接巡回グラフ(MM-DAG)を学習する
本稿では,交通渋滞解析を具体例として取り上げる。
我々は、新しい因果差尺度とその微分可能近似器を開発する。
- 参考スコア（独自算出の注目度）: 24.18136100209761
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes to learn Multi-task, Multi-modal Direct Acyclic Graphs
(MM-DAGs), which are commonly observed in complex systems, e.g., traffic,
manufacturing, and weather systems, whose variables are multi-modal with
scalars, vectors, and functions. This paper takes the traffic congestion
analysis as a concrete case, where a traffic intersection is usually regarded
as a DAG. In a road network of multiple intersections, different intersections
can only have some overlapping and distinct variables observed. For example, a
signalized intersection has traffic light-related variables, whereas
unsignalized ones do not. This encourages the multi-task design: with each DAG
as a task, the MM-DAG tries to learn the multiple DAGs jointly so that their
consensus and consistency are maximized. To this end, we innovatively propose a
multi-modal regression for linear causal relationship description of different
variables. Then we develop a novel Causality Difference (CD) measure and its
differentiable approximator. Compared with existing SOTA measures, CD can
penalize the causal structural difference among DAGs with distinct nodes and
can better consider the uncertainty of causal orders. We rigidly prove our
design's topological interpretation and consistency properties. We conduct
thorough simulations and one case study to show the effectiveness of our
MM-DAG. The code is available under https://github.com/Lantian72/MM-DAG
- Abstract（参考訳）: 本稿では,複雑なシステム,例えば交通システム,製造システム,気象システムにおいてよく観測されるマルチタスク,マルチモーダル直接非循環グラフ(mm-dag)を学習することを提案する。
本稿では,交通渋滞解析を具体例とし,通常,交通交差点をDAGとみなす。
複数の交差点からなる道路網では、異なる交差点は重なり合い、異なる変数しか観測できない。
例えば、信号化交叉は信号光に関連する変数を持つが、信号化交叉はそうではない。
タスクとして各DAGを使用すれば、MM-DAGは複数のDAGを共同で学習し、コンセンサスと一貫性を最大化する。
そこで本稿では,変数の線形因果関係記述のためのマルチモーダル回帰法を提案する。
次に、新しい因果差(CD)尺度とその微分可能近似器を開発する。
既存のSOTA測度と比較すると、CDは異なるノードを持つDAG間の因果構造の違いを罰し、因果順序の不確実性を考慮することができる。
設計のトポロジ的解釈と一貫性特性を厳密に証明する。
我々は,MM-DAGの有効性を示すため,徹底的なシミュレーションと一事例研究を行った。
コードはhttps://github.com/Lantian72/MM-DAGで入手できる。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - DGInStyle: Domain-Generalizable Semantic Segmentation with Image Diffusion Models and Stylized Semantic Control [68.14798033899955]
大規模で事前訓練された潜伏拡散モデル(LDM)は、創造的コンテンツを生成できる異常な能力を示した。
しかし、それらは例えば、セマンティックセグメンテーションのような知覚スタックのタスクを改善するために、大規模なデータジェネレータとして使用できますか?
自律運転の文脈でこの疑問を考察し、「はい」という言い換えで答える。
論文 参考訳（メタデータ） (2023-12-05T18:34:12Z) - Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [95.49699178874683]
拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。
DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。
そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
論文 参考訳（メタデータ） (2023-11-23T15:47:33Z) - Information Theoretically Optimal Sample Complexity of Learning Dynamical Directed Acyclic Graphs [1.433758865948252]
直交非巡回グラフ(DAG)上での線形力学系(LDS)の相互作用や依存性を学習する際の最適なサンプル複雑性について検討する。
静的DAG設定にインスパイアされ,観測時系列のPSD行列に基づくメトリックとアルゴリズムが提案され,DDAGを再構築する。
論文 参考訳（メタデータ） (2023-08-31T17:03:34Z) - ComPtr: Towards Diverse Bi-source Dense Prediction Tasks via A Simple
yet General Complementary Transformer [91.43066633305662]
本稿では,多種多様な二ソース密度予測タスクのためのアンダーラインComPlementaryアンダーライン変換器textbfComPtrを提案する。
ComPtrは異なる入力を等しく扱い、変換器上にシーケンス・ツー・シーケンスの形で効率的な密な相互作用モデルを構築する。
論文 参考訳（メタデータ） (2023-07-23T15:17:45Z) - Cross-Modality Gated Attention Fusion for Multimodal Sentiment Analysis [11.752771311620343]
マルチモーダル感情分析は、特定の意見ビデオの異なるモダリティデータに基づいて、感情スコアを予測するための重要な研究課題である。
CMGA(Cross-Modality Gated Attention fusion Model for MSA)を提案する。
論文 参考訳（メタデータ） (2022-08-25T06:48:56Z) - DAPDAG: Domain Adaptation via Perturbed DAG Reconstruction [78.76115370275733]
本研究では,人口統計量の推定を行う自動エンコーダを学習し,有向非巡回グラフ(DAG)を補助的タスクとして再構築する。
基礎となるDAG構造は、条件分布が潜伏環境変数$E$によって導かれる領域間で変化することが許される観測変数の間で不変であると仮定される。
我々は、エンコーダとデコーダをエンドツーエンドで共同で訓練し、混合変数を用いた合成および実データセットの実験を行う。
論文 参考訳（メタデータ） (2022-08-02T11:43:03Z) - Analyzing Dynamic Adversarial Training Data in the Limit [50.00850852546616]
動的逆データ収集(DADC)は、このような多様なトレーニングセットを生成するためのアプローチとして、約束を守る。
本研究は,NLIの20ラウンドを少数の前提項で収集する,長期DADCに関する最初の研究である。
DADCの例でトレーニングされたモデルでは、専門家が計算したテストセットのエラーが、非敵のデータでトレーニングされたモデルよりも26%少なくなります。
論文 参考訳（メタデータ） (2021-10-16T08:48:52Z) - Multimodal Trajectory Prediction via Topological Invariance for
Navigation at Uncontrolled Intersections [45.508973373913946]
道路交差点において,信号機や信号機を使わずに複数の非通信的合理的エージェント間の分散ナビゲーションに着目した。
我々の重要な洞察は、交差点の幾何学的構造と、効率的に動くエージェントのインセンティブが衝突を避け(合理性)、起こりうる行動の空間を減少させるということである。
マルチエージェント交差点シーンにおける高次モードの軌道表現を再構成するデータ駆動型軌道予測機構であるMTPを設計する。
論文 参考訳（メタデータ） (2020-11-08T02:56:42Z) - Multi-task Causal Learning with Gaussian Processes [17.205106391379026]
本稿では、因果モデルの有向非巡回グラフ(DAG)上に定義された一連の介入関数の相関構造を学習する問題について考察する。
本稿では,連続的な介入と異なる変数に対する実験による情報共有が可能な,最初のマルチタスク因果ガウス過程(GP)モデルを提案する。
論文 参考訳（メタデータ） (2020-09-27T11:33:40Z)
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。