Fugu-MT 論文翻訳(概要): Encoding Binary Events from Continuous Time Series in Rooted Trees using Contrastive Learning

論文の概要: Encoding Binary Events from Continuous Time Series in Rooted Trees using Contrastive Learning

arxiv url: http://arxiv.org/abs/2401.01242v1
Date: Tue, 2 Jan 2024 15:18:23 GMT
ステータス: 処理完了
システム内更新日: 2024-01-03 13:34:21.564225
Title: Encoding Binary Events from Continuous Time Series in Rooted Trees using Contrastive Learning
Title（参考訳）: コントラスト学習を用いた根木における連続時系列からのバイナリイベントの符号化
Authors: Tobias Engelhardt Rasmussen and Siv S{\o}rensen
Abstract要約: 本稿では,連続時系列データからバイナリイベントエンコーダを学習するための対照的なアプローチを提案する。予備的な結果として,本手法は有意義なエンコーダを学習する上で有益であることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Broadband infrastructure owners do not always know how their customers are connected in the local networks, which are structured as rooted trees. A recent study is able to infer the topology of a local network using discrete time series data from the leaves of the tree (customers). In this study we propose a contrastive approach for learning a binary event encoder from continuous time series data. As a preliminary result, we show that our approach has some potential in learning a valuable encoder.
Abstract（参考訳）: ブロードバンドインフラストラクチャの所有者は、顧客がローカルネットワークでどのように接続されているかを知っているとは限らない。近年の研究では、木の葉(カストマー)からの離散時系列データを用いて、局所ネットワークのトポロジーを推測することができる。本研究では,連続時系列データからバイナリイベントエンコーダを学習するための対比的アプローチを提案する。予備的な結果として,本手法が有意義なエンコーダの学習に有効であることを示す。

関連論文リスト

On the Two Sides of Redundancy in Graph Neural Networks [6.14580854336436]
我々は近所の木に基づく新しい集約手法を開発した。近傍木をコンパクトに表現し,それらをマージし,計算冗長性を生かした。我々の手法は従来のメッセージパッシングニューラルネットワークよりも過度に理解されにくい。
論文参考訳（メタデータ） (2023-10-06T12:09:09Z)
TreeLearn: A deep learning method for segmenting individual trees from ground-based LiDAR forest point clouds [40.46280139210502]
TreeLearnは、森林点雲のツリーインスタンスセグメンテーションのためのディープラーニングアプローチである。 TreeLearnは、データ駆動の方法で、すでにセグメンテーションされたポイントクラウドでトレーニングされている。我々は、Lidar360ソフトウェアを使って6665本の木の森林点雲上でTreeLearnを訓練した。
論文参考訳（メタデータ） (2023-09-15T15:20:16Z)
Improving Time Series Encoding with Noise-Aware Self-Supervised Learning and an Efficient Encoder [15.39384259348351]
本稿では,自然時系列におけるノイズ発生信号の存在を考慮し,一貫した表現学習を促進する革新的な学習戦略を提案する。また,インセプションブロック内に拡張畳み込みを組み込んだエンコーダアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-06-11T04:00:11Z)
HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-08-11T14:05:51Z)
Parallel Machine Learning for Forecasting the Dynamics of Complex Networks [0.0]
本稿では,大規模複雑ネットワークの力学を予測するための機械学習手法を提案する。私たちは、関心のネットワークのトポロジを模倣する並列アーキテクチャを使用します。
論文参考訳（メタデータ） (2021-08-27T06:06:41Z)
Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文参考訳（メタデータ） (2021-08-19T15:39:52Z)
Online learning of windmill time series using Long Short-term Cognitive Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文参考訳（メタデータ） (2021-07-01T13:13:24Z)
Deep Parametric Continuous Convolutional Neural Networks [92.87547731907176]
Parametric Continuous Convolutionは、非グリッド構造化データ上で動作する、新たな学習可能な演算子である。室内および屋外シーンの点雲セグメンテーションにおける最先端技術よりも顕著な改善が見られた。
論文参考訳（メタデータ） (2021-01-17T18:28:23Z)
Learning the Structure of Auto-Encoding Recommenders [1.9981375888949475]
我々は,協調フィルタリング領域に存在する固有項目群を利用して,オートエンコーダの推薦者に対する構造学習を導入する。そこで本研究では,まず関連項目のグループを学習し,その情報を用いて自動符号化ニューラルネットワークの接続構造を決定する手法を提案する。結果として得られたスパースネットワークは、複数のベンチマークデータセット上で、textscMult-vae/Mult-daeのような最先端の手法よりもかなり優れています。
論文参考訳（メタデータ） (2020-08-18T14:37:40Z)
Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-03-04T06:59:56Z)
Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
本稿では,効率よく適応的なコード駆動グラフを提案する。自動エンコーダのコンテキストでデコードすることで更新される。ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
論文参考訳（メタデータ） (2020-02-27T05:58:12Z)

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。