Fugu-MT 論文翻訳(概要): TrackGPT -- A generative pre-trained transformer for cross-domain entity trajectory forecasting

論文の概要: TrackGPT -- A generative pre-trained transformer for cross-domain entity trajectory forecasting

arxiv url: http://arxiv.org/abs/2402.00066v1
Date: Mon, 29 Jan 2024 20:05:14 GMT
ステータス: 処理完了
システム内更新日: 2024-02-02 18:02:12.316751
Title: TrackGPT -- A generative pre-trained transformer for cross-domain entity trajectory forecasting
Title（参考訳）: trackgpt -- クロスドメインエンティティ軌跡予測のための生成前訓練トランス
Authors: Nicholas Stroh
Abstract要約: 本稿では,GPT(Generative Pre-trained Transformer)に基づく実体軌道予測モデルであるTrackGPTを紹介する。 TrackGPTは、多様なエンティティ時系列データセット間で正確な予測を生成することができる、先駆的なGPTモデルである。我々は最先端のディープラーニング技術に対するベンチマークを行い、TrackGPTの予測能力が正確性、信頼性、モジュール性において優れていることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The forecasting of entity trajectories at future points in time is a critical capability gap in applications across both Commercial and Defense sectors. Transformers, and specifically Generative Pre-trained Transformer (GPT) networks have recently revolutionized several fields of Artificial Intelligence, most notably Natural Language Processing (NLP) with the advent of Large Language Models (LLM) like OpenAI's ChatGPT. In this research paper, we introduce TrackGPT, a GPT-based model for entity trajectory forecasting that has shown utility across both maritime and air domains, and we expect to perform well in others. TrackGPT stands as a pioneering GPT model capable of producing accurate predictions across diverse entity time series datasets, demonstrating proficiency in generating both long-term forecasts with sustained accuracy and short-term forecasts with high precision. We present benchmarks against state-of-the-art deep learning techniques, showing that TrackGPT's forecasting capability excels in terms of accuracy, reliability, and modularity. Importantly, TrackGPT achieves these results while remaining domain-agnostic and requiring minimal data features (only location and time) compared to models achieving similar performance. In conclusion, our findings underscore the immense potential of applying GPT architectures to the task of entity trajectory forecasting, exemplified by the innovative TrackGPT model.
Abstract（参考訳）: 将来のポイントにおける実体軌道の予測は、商業部門と防衛部門の両方におけるアプリケーションにおける重要な能力ギャップである。トランスフォーマー、特にGPT(Generative Pre-trained Transformer)ネットワークは、最近、OpenAIのChatGPTのような大規模言語モデル(LLM)の出現によって、自然言語処理(NLP)など、人工知能のいくつかの分野に革命をもたらした。本稿では,海洋領域と航空領域の両方において有用性を示した,実体軌道予測のためのgptに基づくモデルであるtrackgptについて紹介する。 TrackGPTは、さまざまなエンティティ時系列データセット間で正確な予測を生成できる先駆的なGPTモデルであり、持続的な精度で長期予測と高精度な短期予測の両方を生成する能力を示す。本稿では,最先端のディープラーニング技術に対するベンチマークを行い,トラックgptの予測能力が精度,信頼性,モジュール性において優れていることを示す。重要なことに、TrackGPTはドメインに依存しないままで、同様のパフォーマンスを達成するモデルと比較して、最小限のデータ機能(場所と時間のみ)を必要とする。結論として, 革新的なTrackGPTモデルを用いて, GPTアーキテクチャを実体軌道予測のタスクに適用する潜在可能性を明らかにした。

関連論文リスト

HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting? [1.3654846342364308]
シーケンシャルなイベント予測では、重要なタスクは、指定された時間軸内で複数の将来のイベントを予測することである。伝統的に、これは次世代予測モデルを用いた自己回帰生成によって解決されてきた。モデルが水平線上でイベントシーケンスを予測できる能力を評価するために特別に設計された新しいベンチマークであるHoTPPを導入する。
論文参考訳（メタデータ） (2024-06-20T14:09:00Z)
Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
論文参考訳（メタデータ） (2024-05-22T16:21:02Z)
TimeGPT in Load Forecasting: A Large Time Series Model Perspective [38.92798207166188]
機械学習モデルは、負荷予測に大きな進歩を遂げているが、過去の負荷データが不足している場合に、その予測精度は制限されている。本稿では,負荷予測における時系列モデルの可能性について考察する。
論文参考訳（メタデータ） (2024-04-07T09:05:09Z)
Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
論文参考訳（メタデータ） (2024-02-01T07:21:30Z)
JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文参考訳（メタデータ） (2023-11-05T18:59:31Z)
Event Stream GPT: A Data Pre-processing and Modeling Library for Generative, Pre-trained Transformers over Continuous-time Sequences of Complex Events [2.9330609943398525]
Event Stream GPT(ESGPT)は、連続的なイベントシーケンスのためのGPTを構築するためのエンドツーエンドプロセスを合理化するオープンソースライブラリである。 ESGPTでは、最小構成ファイルのみを指定することで、フレキシブルで基礎モデルスケールの入力データセットを構築することができる。
論文参考訳（メタデータ） (2023-06-20T14:01:29Z)
GPT-FL: Generative Pre-trained Model-Assisted Federated Learning [40.522864349440674]
GPT-FLは、生成学習モデル支援フェデレーション学習フレームワークである。モデルテスト精度、通信効率、クライアントサンプリング効率の点で、最先端のFL法を一貫して上回ります。
論文参考訳（メタデータ） (2023-06-03T22:57:59Z)
Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文参考訳（メタデータ） (2022-03-21T17:59:40Z)
Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。 AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文参考訳（メタデータ） (2021-06-14T02:40:32Z)
TNT: Target-driveN Trajectory Prediction [76.21200047185494]
我々は移動エージェントのための目標駆動軌道予測フレームワークを開発した。我々は、車や歩行者の軌道予測をベンチマークする。私たちはArgoverse Forecasting、InterAction、Stanford Drone、および社内のPedestrian-at-Intersectionデータセットの最先端を達成しています。
論文参考訳（メタデータ） (2020-08-19T06:52:46Z)

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。