Fugu-MT 論文翻訳(概要): SiBBlInGS: Similarity-driven Building-Block Inference using Graphs across States

論文の概要: SiBBlInGS: Similarity-driven Building-Block Inference using Graphs across States

arxiv url: http://arxiv.org/abs/2306.04817v1
Date: Wed, 7 Jun 2023 22:41:04 GMT
ステータス: 処理完了
システム内更新日: 2023-06-09 17:11:59.141892
Title: SiBBlInGS: Similarity-driven Building-Block Inference using Graphs across States
Title（参考訳）: SiBBlInGS:国別グラフを用いた類似性駆動型ビルディングブロック推論
Authors: Noga Mudrik, Gal Mishne, Adam S. Charles
Abstract要約: 国間グラフを用いた類似性駆動型ビルディングブロック推論フレームワーク(SiBBlInGS)を提案する。 SiBBlInGSは、BB発見のためにグラフベースの辞書学習アプローチを採用している。同時に、データ内の状態間関係と状態内関係を考慮し、非直交成分を抽出し、セッション数と状態間の持続時間の変化を可能にする。
参考スコア（独自算出の注目度）: 11.04960878651584
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Interpretable methods for extracting meaningful building blocks (BBs) underlying multi-dimensional time series are vital for discovering valuable insights in complex systems. Existing techniques, however, encounter limitations that restrict their applicability to real-world systems, like reliance on orthogonality assumptions, inadequate incorporation of inter- and intra-state variability, and incapability to handle sessions of varying duration. Here, we present a framework for Similarity-driven Building Block Inference using Graphs across States (SiBBlInGS). SiBBlInGS employs a graph-based dictionary learning approach for BB discovery, simultaneously considers both inter- and intra-state relationships in the data, can extract non-orthogonal components, and allows for variations in session counts and duration across states. Additionally, SiBBlInGS allows for cross-state variations in BB structure and per-trial temporal variability, can identify state-specific vs state-invariant BBs, and offers both supervised and data-driven approaches for controlling the level of BB similarity between states. We demonstrate SiBBlInGS on synthetic and real-world data to highlight its ability to provide insights into the underlying mechanisms of complex phenomena and its applicability to data in various fields.
Abstract（参考訳）: 多次元時系列に基づく意味のあるビルディングブロック(BB)を抽出するための解釈可能な手法は、複雑なシステムにおける貴重な洞察を見つけるのに不可欠である。しかし、既存の技術は、直交性の仮定への依存、状態間および状態内変動性の不十分な取り込み、様々な期間のセッションを扱うことができないなど、現実のシステムに適用性を制限する限界に遭遇する。本稿では,状態間のグラフを用いた類似性に基づくビルディングブロック推論のフレームワークを提案する。 SiBBlInGSは、BB発見のためのグラフベースの辞書学習アプローチを採用し、データ内の状態間関係と状態間関係の両方を同時に検討し、非直交成分を抽出し、状態間のセッション数と持続時間の変化を可能にする。さらに、SiBBlInGSはBB構造と心房内時間変動の交叉変化を可能にし、状態固有のBBと状態不変のBBを識別し、状態間のBB類似性のレベルを制御するための教師付きおよびデータ駆動のアプローチを提供する。我々は,SiBBlInGSを合成および実世界のデータ上で実証し,複雑な現象のメカニズムとその様々な分野のデータへの適用性についての知見を提供する。

関連論文リスト

Exponential Family Attention [19.841163050181194]
本稿では,高次元データ,空間的データ,空間的データを扱うために自己注意を拡張した確率論的生成モデルである指数家族注意(EFA)を紹介する。 EFAは、複雑な潜伏構造をキャプチャし、ホールドアウトしたデータを再構成することで、既存のモデルよりも一貫して優れています。
論文参考訳（メタデータ） (2025-01-28T08:42:58Z)
Explaining Categorical Feature Interactions Using Graph Covariance and LLMs [18.44675735926458]
本稿では,Counter Trafficking Data Collaborativeからのグローバルな合成データセットに焦点を当てる。 2002年から2022年にかけて20,000件以上の匿名化された記録があり、それぞれのレコードに多くの分類学的特徴がある。本稿では,重要な分類的特徴の相互作用を分析し,抽出するための高速でスケーラブルな手法を提案する。
論文参考訳（メタデータ） (2025-01-24T21:41:26Z)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
Graph-based Virtual Sensing from Sparse and Partial Multivariate Observations [22.567497617912046]
このような関係を利用してグラフに基づく新しい手法を導入し、GgNetというグラフ深層学習アーキテクチャを設計し、そのフレームワークを実装した。提案手法は,変数間の依存関係や位置の学習に使用されるネストグラフ構造上の情報伝達に依存する。 GgNetは様々な仮想センシングシナリオで広く評価されており、最先端技術と比較して高い再現精度を示している。
論文参考訳（メタデータ） (2024-02-19T23:22:30Z)
Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2023-11-02T17:26:49Z)
FOCAL: Contrastive Learning for Multimodal Time-Series Sensing Signals in Factorized Orthogonal Latent Space [7.324708513042455]
本稿では,マルチモーダル時系列センシング信号から包括的特徴を抽出する,FOCALと呼ばれる新しいコントラスト学習フレームワークを提案する。ダウンストリームタスクにおける最先端のベースラインを、明確なマージンで一貫して上回る。
論文参考訳（メタデータ） (2023-10-30T22:55:29Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文参考訳（メタデータ） (2023-01-23T15:18:54Z)
Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文参考訳（メタデータ） (2022-03-29T04:54:06Z)
MoReL: Multi-omics Relational Learning [26.484803417186384]
ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
論文参考訳（メタデータ） (2022-03-15T02:50:07Z)
OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
この作業はリレーショナル推論を使って不完全なデータを埋めます。本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
論文参考訳（メタデータ） (2021-05-02T06:05:54Z)

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。