論文の概要: Supervised low-rank semi-nonnegative matrix factorization with frequency regularization for forecasting spatio-temporal data

• arxiv url: http://arxiv.org/abs/2311.08636v1
• Date: Wed, 15 Nov 2023 01:23:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 17:39:41.811466
• Title: Supervised low-rank semi-nonnegative matrix factorization with frequency regularization for forecasting spatio-temporal data
• Title（参考訳）: 時空間データ予測のための周波数正規化による低ランク半負行列分解
• Authors: Keunsu Kim, Hanbaek Lyu, Jinsu Kim and Jae-Hun Jung
• Abstract要約: 周波数正規化を伴う半負行列分解(SMF)を用いた時間データの予測手法を提案する。 提案手法による結果は,地球物理学の分野におけるこれまでの研究に匹敵するが,より明瞭な解釈性を提供する。
• 参考スコア（独自算出の注目度）: 7.34744523605386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel methodology for forecasting spatio-temporal data using supervised semi-nonnegative matrix factorization (SSNMF) with frequency regularization. Matrix factorization is employed to decompose spatio-temporal data into spatial and temporal components. To improve clarity in the temporal patterns, we introduce a nonnegativity constraint on the time domain along with regularization in the frequency domain. Specifically, regularization in the frequency domain involves selecting features in the frequency space, making an interpretation in the frequency domain more convenient. We propose two methods in the frequency domain: soft and hard regularizations, and provide convergence guarantees to first-order stationary points of the corresponding constrained optimization problem. While our primary motivation stems from geophysical data analysis based on GRACE (Gravity Recovery and Climate Experiment) data, our methodology has the potential for wider application. Consequently, when applying our methodology to GRACE data, we find that the results with the proposed methodology are comparable to previous research in the field of geophysical sciences but offer clearer interpretability.
• Abstract（参考訳）: 周波数正則化を用いた教師付き半負行列分解(SSNMF)を用いた時空間データの予測手法を提案する。 行列分解は時空間データを時空間成分と時空間成分に分解するために用いられる。 時間パターンの明確性を改善するため,周波数領域の正規化とともに時間領域に非負性制約を導入する。 具体的には、周波数領域の正則化は周波数空間の特徴の選択を伴い、周波数領域の解釈をより便利にする。 周波数領域では,ソフトとハードの正則化という2つの手法を提案し,対応する制約付き最適化問題の1次定常点に対する収束保証を提供する。 我々の主な動機は、GRACE(Gravity Recovery and Climate Experiment)データに基づく物理データ解析にあるが、我々の方法論は幅広い応用の可能性を持っている。 その結果,本手法をGRACEデータに適用すると,提案手法による結果は地球物理学の分野における従来の研究に匹敵するが,より明確な解釈性が得られることがわかった。

関連論文リスト

• FredNormer: Frequency Domain Normalization for Non-stationary Time Series Forecasting [18.54376910126127]
  我々はFredNormerを提案し、周波数の観点からデータセットを観察し、鍵周波数成分を適応的にアップウェイトする。 FredNormer はプラグイン・アンド・プレイモジュールであり、既存の正規化手法と比べて効率を損なわない。
  論文  参考訳（メタデータ） (2024-10-02T04:05:50Z)
• Time Series Analysis by State Space Learning [44.99833362998488]
  状態空間モデルによる時系列解析は、説明変数とともに、レベルスロープや季節性のような観測不可能なコンポーネントの予測と抽出に広く用いられている。 本研究は,統計的学習の能力を活用し,時系列モデリングと予測のための総合的なフレームワークを構築するための新しいフレームワークとパラダイムであるState Space Learning(SSL)を紹介する。
  論文  参考訳（メタデータ） (2024-08-17T07:04:26Z)
• Classification of High-dimensional Time Series in Spectral Domain using Explainable Features [8.656881800897661]
  本稿では,高次元定常時系列を分類するためのモデルに基づくアプローチを提案する。 我々のアプローチはモデルパラメータの解釈可能性を強調し、神経科学のような分野に特に適している。 我々の手法の新規性は、モデルパラメータの解釈可能性にあり、神経科学における重要なニーズに対処する。
  論文  参考訳（メタデータ） (2024-08-15T19:10:12Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Digital noise spectroscopy with a quantum sensor [57.53000001488777]
  本稿では,ノイズプロセスの自己相関をサンプリングし,再構成するための量子センシングプロトコルを実験的に導入し,実証する。 ウォルシュノイズ分光法はスピンフリップパルスの単純な配列を利用してディジタルフィルタの完全基底を生成する。 ダイヤモンド中の単一窒素空孔中心の電子スピン上での核スピン浴により生じる有効磁場の自己相関関数を実験的に再構成した。
  論文  参考訳（メタデータ） (2022-12-19T02:19:35Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• On Sparse High-Dimensional Graphical Model Learning For Dependent Time Series [12.94486861344922]
  本稿では,スパース,高次元定常時系列の条件独立グラフ(CIG)を推定する問題を考察する。 スパースグループラッソに基づく周波数領域の定式化について述べる。 また,ベイズ情報基準に基づくチューニングパラメータの選択についても実験的に検討した。
  論文  参考訳（メタデータ） (2021-11-15T16:52:02Z)
• Spatio-Temporal Variational Gaussian Processes [26.60276485130467]
  時空間フィルタリングと自然変動推論を組み合わせたガウス過程推論にスケーラブルなアプローチを導入する。 還元された誘導点集合上で状態空間モデルを構成するスパース近似を導出する。 分離可能なマルコフカーネルの場合、完全スパースケースは標準変分GPを正確に回復する。
  論文  参考訳（メタデータ） (2021-11-02T16:53:31Z)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。