論文の概要: Time-Aware Knowledge Representations of Dynamic Objects with
Multidimensional Persistence
- arxiv url: http://arxiv.org/abs/2401.13157v1
- Date: Wed, 24 Jan 2024 00:33:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 15:54:21.362783
- Title: Time-Aware Knowledge Representations of Dynamic Objects with
Multidimensional Persistence
- Title(参考訳): 多次元パーシステンスを持つ動的物体の時間的知識表現
- Authors: Baris Coskunuzer, Ignacio Segovia-Dominguez, Yuzhou Chen and Yulia R.
Gel
- Abstract要約: 本稿では,暗黙的な時間依存トポロジ情報に着目した時間認識型知識表現機構を提案する。
特に,TMP(textitTemporal MultiPersistence)と呼ばれる新しい手法を提案する。
TMP法は、最先端のマルチパーシスタンスサマリーの計算効率を59.5倍に向上させる。
- 参考スコア(独自算出の注目度): 41.32931849366751
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning time-evolving objects such as multivariate time series and dynamic
networks requires the development of novel knowledge representation mechanisms
and neural network architectures, which allow for capturing implicit
time-dependent information contained in the data. Such information is typically
not directly observed but plays a key role in the learning task performance. In
turn, lack of time dimension in knowledge encoding mechanisms for
time-dependent data leads to frequent model updates, poor learning performance,
and, as a result, subpar decision-making. Here we propose a new approach to a
time-aware knowledge representation mechanism that notably focuses on implicit
time-dependent topological information along multiple geometric dimensions. In
particular, we propose a new approach, named \textit{Temporal MultiPersistence}
(TMP), which produces multidimensional topological fingerprints of the data by
using the existing single parameter topological summaries. The main idea behind
TMP is to merge the two newest directions in topological representation
learning, that is, multi-persistence which simultaneously describes data shape
evolution along multiple key parameters, and zigzag persistence to enable us to
extract the most salient data shape information over time. We derive
theoretical guarantees of TMP vectorizations and show its utility, in
application to forecasting on benchmark traffic flow, Ethereum blockchain, and
electrocardiogram datasets, demonstrating the competitive performance,
especially, in scenarios of limited data records. In addition, our TMP method
improves the computational efficiency of the state-of-the-art multipersistence
summaries up to 59.5 times.
- Abstract(参考訳): 多変量時系列や動的ネットワークなどの時間進化オブジェクトを学習するには、データに含まれる暗黙の時間依存情報をキャプチャできる新しい知識表現機構とニューラルネットワークアーキテクチャの開発が必要である。
このような情報は直接観測されるのではなく、学習タスクのパフォーマンスにおいて重要な役割を果たす。
逆に、時間依存データのための知識符号化機構における時間次元の欠如は、頻繁なモデル更新、学習性能の低下、そして結果として決定を下す。
本稿では,複数の幾何学的次元に沿った暗黙的な時間依存トポロジ情報に焦点を当てた時間認識型知識表現機構を提案する。
特に,既存の単一パラメータートポロジー要約を用いて多次元の位相的指紋を生成する新しい手法, \textit{temporal multipersistence} (tmp)を提案する。
TMPの背後にある主な考え方は、トポロジカル表現学習における2つの新しい方向、すなわち、複数のキーパラメータに沿ってデータ形状の進化を同時に記述するマルチパーシステンスと、ジグザグ永続性を組み合わせることで、時間とともに最も健全なデータ形状情報を抽出できるようにすることである。
我々は,TMPベクトル化の理論的保証を導き,その有用性を示し,ベンチマークトラフィックフロー,Ethereumブロックチェーン,心電図データセットの予測に適用し,特に限られたデータレコードのシナリオにおける競合性能を示す。
さらに,TMP法は,最先端マルチパーシスタンスサマリーの計算効率を59.5倍に向上させる。
関連論文リスト
- TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳(メタデータ) (2024-01-06T06:26:49Z) - Message Propagation Through Time: An Algorithm for Sequence Dependency
Retention in Time Series Modeling [14.49997340857179]
本稿では,時系列モデリングのためのMPTT(Message Propagation Through Time)アルゴリズムを提案する。
MPTTは、ステートフルなソリューションと比較して、より高速なトレーニング時間を保ちながら、長時間の時間的依存を取り入れている。
実験の結果,MPTTは4つの気候データセットにおいて7つの戦略より優れていた。
論文 参考訳(メタデータ) (2023-09-28T22:38:18Z) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳(メタデータ) (2023-08-02T12:04:28Z) - TimeTuner: Diagnosing Time Representations for Time-Series Forecasting
with Counterfactual Explanations [3.8357850372472915]
本稿では,モデル行動が局所化,定常性,時系列表現の相関とどのように関連しているかをアナリストが理解するために,新しいビジュアル分析フレームワークであるTimeTunerを提案する。
TimeTunerは時系列表現を特徴付けるのに役立ち、機能エンジニアリングのプロセスを導くのに役立ちます。
論文 参考訳(メタデータ) (2023-07-19T11:40:15Z) - FormerTime: Hierarchical Multi-Scale Representations for Multivariate
Time Series Classification [53.55504611255664]
formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。
1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
論文 参考訳(メタデータ) (2023-02-20T07:46:14Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - Z-GCNETs: Time Zigzags at Graph Convolutional Networks for Time Series
Forecasting [3.9195417834390907]
我々はジグザグ永続性の概念をGCN(Time-Aware Graph Convolutional Network)に導入する。
我々は,新しい位相的要約であるジグザグ持続像を開発し,その理論的安定性保証を導出する。
その結果、z-gcnetは4つの時系列データセットで13の最先端メソッドを上回ることがわかった。
論文 参考訳(メタデータ) (2021-05-10T04:01:04Z) - Interpretable Deep Representation Learning from Temporal Multi-view Data [4.2179426073904995]
変動型オートエンコーダとリカレントニューラルネットワークに基づく生成モデルを提案し,多視点時間データに対する潜時ダイナミクスを推定する。
提案モデルを用いて,モデルの有効性と解釈可能性を示す3つのデータセットを解析する。
論文 参考訳(メタデータ) (2020-05-11T15:59:06Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。