論文の概要: Sequential Attention Source Identification Based on Feature Representation

• arxiv url: http://arxiv.org/abs/2306.15886v1
• Date: Wed, 28 Jun 2023 03:00:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 16:06:03.433752
• Title: Sequential Attention Source Identification Based on Feature Representation
• Title（参考訳）: 特徴表現に基づく逐次的注意源同定
• Authors: Dongpeng Hou, Zhen Wang, Chao Gao, Xuelong Li
• Abstract要約: 本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。 なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
• 参考スコア（独自算出の注目度）: 88.05527934953311
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Snapshot observation based source localization has been widely studied due to its accessibility and low cost. However, the interaction of users in existing methods does not be addressed in time-varying infection scenarios. So these methods have a decreased accuracy in heterogeneous interaction scenarios. To solve this critical issue, this paper proposes a sequence-to-sequence based localization framework called Temporal-sequence based Graph Attention Source Identification (TGASI) based on an inductive learning idea. More specifically, the encoder focuses on generating multiple features by estimating the influence probability between two users, and the decoder distinguishes the importance of prediction sources in different timestamps by a designed temporal attention mechanism. It's worth mentioning that the inductive learning idea ensures that TGASI can detect the sources in new scenarios without knowing other prior knowledge, which proves the scalability of TGASI. Comprehensive experiments with the SOTA methods demonstrate the higher detection performance and scalability in different scenarios of TGASI.
• Abstract（参考訳）: スナップショット観測に基づくソースローカライゼーションは、アクセシビリティと低コストのために広く研究されている。 しかし, 既存手法におけるユーザ間のインタラクションは, 時間変化による感染シナリオでは対処できない。 これらの手法は異種相互作用のシナリオにおいて精度が低下する。 そこで本研究では,インダクティブ・ラーニング・アイデアに基づく時間系列に基づくグラフ注意源同定(tgasi)と呼ばれる,シーケンスからシーケンスへの局所化手法を提案する。 より具体的には、エンコーダは2人のユーザ間の影響確率を推定して複数の特徴を生成し、デコーダは設計した時間的注意機構により異なるタイムスタンプにおける予測ソースの重要性を区別する。 ただし、インダクティブラーニングのアイデアは、TGASIが他の事前知識を知らずに新しいシナリオのソースを検出できることを保証するもので、TGASIのスケーラビリティを証明している点には注意が必要だ。 SOTA法による総合的な実験は、TGASIの異なるシナリオにおける高い検出性能とスケーラビリティを示す。

関連論文リスト

• Feature Selection for Network Intrusion Detection [3.7414804164475983]
  本稿では,ネットワーク侵入を検出する際に,非情報的特徴の排除を容易にする情報理論を提案する。 提案手法は,ニューラルネットワークを用いた関数近似に基づいて,再帰層を組み込んだアプローチのバージョンを実現する。
  論文  参考訳（メタデータ） (2024-11-18T14:25:55Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• 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)
• An Exploratory Study on Human-Centric Video Anomaly Detection through Variational Autoencoders and Trajectory Prediction [2.3349787245442966]
  ビデオ異常検出(VAD)はコンピュータビジョンにおける課題であり、目立った研究課題である。 本稿では,人間中心型2ストリームグラフ改善型異常検出システムTSGADを紹介する。 ベンチマークデータセットの総合的な実験を通じてTSGADの有効性を実証する。
  論文  参考訳（メタデータ） (2024-04-29T14:25:06Z)
• Multi-channel Time Series Decomposition Network For Generalizable Sensor-Based Activity Recognition [2.024925013349319]
  本稿では,MTSDNet(Multi- Channel Time Series Decomposition Network)を提案する。 トレーニング可能なパラメータ化時間分解により、元の信号を複数の成分と三角関数の組み合わせに分解する。 提案手法の精度と安定性を他の競合戦略と比較して予測する利点を示す。
  論文  参考訳（メタデータ） (2024-03-28T12:54:06Z)
• ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
  因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。 提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2024-02-22T13:22:06Z)
• Spatio-Temporal Attention Graph Neural Network for Remaining Useful Life Prediction [1.831835396047386]
  本研究では,時空間注意グラフニューラルネットワークを提案する。 本モデルでは,空間的・時間的特徴抽出のために,グラフニューラルネットワークと時間的畳み込みニューラルネットワークを組み合わせる。 C-MAPSSデータセットを用いて、クラスタリング正規化とクラスタリング正規化の影響を評価するための総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-01-29T08:49:53Z)
• DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
  時系列は、機械学習研究における最も困難なモダリティの1つである。 時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。 時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
  論文  参考訳（メタデータ） (2023-08-04T12:27:11Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Leveraging Evidential Deep Learning Uncertainties with Graph-based Clustering to Detect Anomalies [1.525943491541265]
  本稿では,自動識別システム(AIS)データを用いた船舶のクラスタ軌道に対するグラフベーストラフィック表現手法を提案する。 本稿では,深層学習(DL)に基づく不確実性推定を海洋異常の検出に利用することを提案する。
  論文  参考訳（メタデータ） (2021-07-04T06:31:59Z)

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。