論文の概要: CFTM: Continuous time fractional topic model
- arxiv url: http://arxiv.org/abs/2402.01734v2
- Date: Wed, 7 Feb 2024 03:51:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 18:43:30.657873
- Title: CFTM: Continuous time fractional topic model
- Title(参考訳): CFTM:連続時間分数トピックモデル
- Authors: Kei Nakagawa, Kohei Hayashi, Yugo Fujimoto
- Abstract要約: 動的トピックモデリングのための新しい手法である連続時間分節トピックモデル(cFTM)を提案する。
このアプローチは、時間とともに話題や単語の分布における正の相関や負の相関を効果的に識別するために、分数的ブラウン運動(fBm)を取り入れている。
理論的解析により,cFTMはこれらのトピックと単語の分布の長期的依存や粗さを捉えることができることが示された。
- 参考スコア(独自算出の注目度): 2.8698289487200856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose the Continuous Time Fractional Topic Model (cFTM),
a new method for dynamic topic modeling. This approach incorporates fractional
Brownian motion~(fBm) to effectively identify positive or negative correlations
in topic and word distribution over time, revealing long-term dependency or
roughness. Our theoretical analysis shows that the cFTM can capture these
long-term dependency or roughness in both topic and word distributions,
mirroring the main characteristics of fBm. Moreover, we prove that the
parameter estimation process for the cFTM is on par with that of LDA,
traditional topic models. To demonstrate the cFTM's property, we conduct
empirical study using economic news articles. The results from these tests
support the model's ability to identify and track long-term dependency or
roughness in topics over time.
- Abstract(参考訳): 本稿では,動的トピックモデリングのための新しい手法である連続時間分数トピックモデル(cftm)を提案する。
このアプローチでは分数ブラウン運動(fbm)を取り入れ、時間とともにトピックや単語の分布における正の相関や負の相関を効果的に同定し、長期的な依存性や粗さを明らかにする。
理論的解析により,cFTMは,fBmの主な特徴を反映して,これらの長期的依存や単語分布の粗さを捉えることができることが示された。
さらに,CFTMのパラメータ推定プロセスは,従来のトピックモデルであるLDAと同等であることを示す。
cftmの特性を実証するために,経済ニュース記事を用いて実証研究を行う。
これらのテストの結果は、時間の経過とともにトピックの長期的な依存性や粗さを識別し追跡するモデルの能力をサポートする。
関連論文リスト
- PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Exploring Progress in Multivariate Time Series Forecasting:
Comprehensive Benchmarking and Heterogeneity Analysis [72.18987459587682]
MTS予測における公正な比較のために設計されたベンチマークであるBasicTSを紹介する。
MTSデータセットの不均一性を強調し、時間的特徴と空間的特徴に基づいて分類する。
論文 参考訳(メタデータ) (2023-10-09T19:52:22Z) - The Capacity and Robustness Trade-off: Revisiting the Channel
Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。
以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。
本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文 参考訳(メタデータ) (2023-04-11T13:15:33Z) - MM Algorithms to Estimate Parameters in Continuous-time Markov Chains [0.0]
遷移率をパラメータの集合上の関数とするパラメトリックCTMCについて紹介する。
2つの学習シナリオをカバーするパラメトリックCTMCの反復的推定アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-16T21:25:27Z) - A Survey on Deep Learning based Time Series Analysis with Frequency
Transformation [74.3919960186696]
周波数変換(FT)は、時系列解析における最先端の精度と効率を高めるために、ディープラーニングモデルにますます取り入れられている。
この新興分野における注目の高まりと研究の高まりにもかかわらず、現在、FTを用いたディープラーニングベースの時系列モデルの体系的レビューと詳細な分析が欠如している。
本稿では,FTを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に研究し,要約する総合的なレビューを紹介する。
論文 参考訳(メタデータ) (2023-02-04T14:33:07Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳(メタデータ) (2022-04-25T19:06:48Z) - Counterfactual Temporal Point Processes [18.37409880250174]
我々は,Gumbel-Max構造因果モデルに基づく時間点過程のシンニングの因果モデルを構築した。
次に、与えられた代替強度関数の下で時間点過程の対実的実現をシミュレートする。
論文 参考訳(メタデータ) (2021-11-15T08:46:25Z) - On the Memory Mechanism of Tensor-Power Recurrent Models [25.83531612758211]
TPリカレントモデルの記憶機構について検討する。
長期記憶効果を達成するためには, p が重要条件であることが示される。
新しいモデルは、安定して長いメモリ効果の恩恵を受けることが期待されている。
論文 参考訳(メタデータ) (2021-03-02T07:07:47Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - Deep Markov Spatio-Temporal Factorization [16.125473644303852]
Deep Markov-temporal factorization (DMSTF) はデータの動的解析のための生成モデルである。
DMSTFは、空間因子またはそれらの機能形式を生成的にパラメータ化するために、低次元空間潜時を学習する。
時系列クラスタリングや制御信号における因子分析を行うために拡張可能な生成因子分析モデルの柔軟なファミリーでの結果が得られた。
論文 参考訳(メタデータ) (2020-03-22T01:27:44Z)
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。