論文の概要: Discovering group dynamics in synchronous time series via hierarchical
recurrent switching-state models
- arxiv url: http://arxiv.org/abs/2401.14973v1
- Date: Fri, 26 Jan 2024 16:06:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 14:40:07.650084
- Title: Discovering group dynamics in synchronous time series via hierarchical
recurrent switching-state models
- Title(参考訳): 階層的再帰的スイッチング状態モデルによる同期時系列群ダイナミクスの発見
- Authors: Michael Wojnowicz, Preetish Rath, Eric Miller, Jeffrey Miller,
Clifford Hancock, Meghan O'Donovan, Seth Elkin-Frankston, Thaddeus Brunye,
and Michael C. Hughes
- Abstract要約: 同じ期間に相互作用する複数のエンティティから生じる時系列の集合をモデル化する。
近年,個々の時系列のモデル化に焦点を絞った研究は,集合的なシステムレベルの振る舞いが個々の実体の軌跡に影響を及ぼすという,我々の意図した応用には不十分である。
我々は、潜在エンティティレベルチェーンを駆動する潜在システムレベルの離散状態チェーンを使用し、各観測時系列のダイナミクスを制御します。
- 参考スコア(独自算出の注目度): 3.5902825399592193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We seek to model a collection of time series arising from multiple entities
interacting over the same time period. Recent work focused on modeling
individual time series is inadequate for our intended applications, where
collective system-level behavior influences the trajectories of individual
entities. To address such problems, we present a new hierarchical
switching-state model that can be trained in an unsupervised fashion to
simultaneously explain both system-level and individual-level dynamics. We
employ a latent system-level discrete state Markov chain that drives latent
entity-level chains which in turn govern the dynamics of each observed time
series. Feedback from the observations to the chains at both the entity and
system levels improves flexibility via context-dependent state transitions. Our
hierarchical switching recurrent dynamical models can be learned via
closed-form variational coordinate ascent updates to all latent chains that
scale linearly in the number of individual time series. This is asymptotically
no more costly than fitting separate models for each entity. Experiments on
synthetic and real datasets show that our model can produce better forecasts of
future entity behavior than existing methods. Moreover, the availability of
latent state chains at both the entity and system level enables interpretation
of group dynamics.
- Abstract(参考訳): 同じ期間に複数のエンティティが相互作用して発生する時系列の集まりをモデル化することを目指す。
近年,個々の時系列のモデル化に焦点を絞った研究は,集合的なシステムレベルの振る舞いが個々の実体の軌跡に影響を及ぼすようなアプリケーションには不十分である。
このような問題に対処するために,システムレベルと個別レベルの両方のダイナミクスを同時に説明するために,教師なしでトレーニング可能な階層型スイッチング状態モデルを提案する。
我々は、潜在エンティティレベルのチェーンを駆動する潜在システムレベルの離散状態マルコフチェーンを採用し、各観測された時系列のダイナミクスを制御している。
エンティティとシステムレベルの両方のチェーンに対する観察からのフィードバックは、コンテキスト依存の状態遷移を通じて柔軟性を向上させる。
我々の階層的スイッチングリカレント力学モデルは、個々の時系列数で線形にスケールする全ての潜在鎖に対する閉形式変動座標昇華更新によって学習することができる。
これは、各エンティティに別々のモデルを適合させるよりも、漸近的にコストがかかる。
合成および実データセットの実験により、我々のモデルは既存の手法よりも将来的な実体行動の予測をより良くできることが示された。
さらに、エンティティとシステムレベルでの潜在状態チェーンの可用性により、グループダイナミクスの解釈が可能になる。
関連論文リスト
- Attractor Memory for Long-Term Time Series Forecasting: A Chaos
Perspective [66.79255404792849]
本稿では,カオス理論を長期時系列予測(LTSF)タスクに導入する。
我々のモデルである textbftextitAttraos はカオス理論をLTSFに組み込み、未知の高次元カオス力学系からの観測として実世界の時系列を知覚する。
歴史的力学構造を記憶し、周波数を拡大した局所進化戦略によって予測する。
論文 参考訳(メタデータ) (2024-02-18T05:35:01Z) - 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) - Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。
状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。
時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文 参考訳(メタデータ) (2021-10-26T17:35:21Z) - Variational Predictive Routing with Nested Subjective Timescales [1.6114012813668934]
本稿では,時間的階層に潜む映像の特徴を整理するニューラル推論システムである変動予測ルーティング(PRV)を提案する。
VPRはイベント境界を検出し、時間的特徴を分散させ、データの動的階層に適応し、未来の正確な時間に依存しないロールアウトを生成することができることを示す。
論文 参考訳(メタデータ) (2021-10-21T16:12:59Z) - Chaos as an interpretable benchmark for forecasting and data-driven
modelling [7.6146285961466]
カオスシステムは、現代の統計的学習技術に固有の課題を生んでいる。
本稿では,天体物理学,気候学,生化学などの分野にまたがるカオス力学系131のデータベースについて述べる。
論文 参考訳(メタデータ) (2021-10-11T13:39:41Z) - Modeling Regime Shifts in Multiple Time Series [1.4588552933974936]
レジームシフト(Regime shift)とは、時系列によって異なる時間間隔で表される変動行動を指す。
既存の手法では、時系列間の関係を考慮に入れず、複数の時系列における状態の発見に失敗する。
既存のメソッドのほとんどは、統一されたフレームワークでこれらの3つの問題すべてを扱うことができません。
論文 参考訳(メタデータ) (2021-09-20T17:02:29Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳(メタデータ) (2021-04-28T16:48:44Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。
私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。
将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
論文 参考訳(メタデータ) (2021-01-07T02:41:32Z) - Learning Continuous System Dynamics from Irregularly-Sampled Partial
Observations [33.63818978256567]
グラフ構造を持つ多エージェント動的システムをモデル化するための潜在常微分方程式生成モデルLG-ODEを提案する。
高次元軌跡の埋め込みと連続潜伏系力学を同時に学習することができる。
我々のモデルは、教師なしの方法で初期状態を推論できるグラフニューラルネットワークによってパラメータ化された新しいエンコーダを採用している。
論文 参考訳(メタデータ) (2020-11-08T01:02:22Z) - Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。
R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。
R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
論文 参考訳(メタデータ) (2020-01-13T03:45:21Z)
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。