Fugu-MT 論文翻訳(概要): GenFormer: A Deep-Learning-Based Approach for Generating Multivariate Stochastic Processes

論文の概要: GenFormer: A Deep-Learning-Based Approach for Generating Multivariate Stochastic Processes

arxiv url: http://arxiv.org/abs/2402.02010v1
Date: Sat, 3 Feb 2024 03:50:18 GMT
ステータス: 処理完了
システム内更新日: 2024-02-06 22:49:33.169863
Title: GenFormer: A Deep-Learning-Based Approach for Generating Multivariate Stochastic Processes
Title（参考訳）: genformer: 多変量確率プロセス生成のためのディープラーニングに基づくアプローチ
Authors: Haoran Zhao, Wayne Isaac Tan Uy
Abstract要約: 本稿では,マルコフ状態列と時系列値のマッピングを学習するトランスフォーマーに基づくディープラーニングモデルを提案する。 GenFormerモデルを用いて,フロリダ州各地の風速データをシミュレーションし,リスク管理のための超越確率を計算する。
参考スコア（独自算出の注目度）: 5.679243827959339
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Stochastic generators are essential to produce synthetic realizations that preserve target statistical properties. We propose GenFormer, a stochastic generator for spatio-temporal multivariate stochastic processes. It is constructed using a Transformer-based deep learning model that learns a mapping between a Markov state sequence and time series values. The synthetic data generated by the GenFormer model preserves the target marginal distributions and approximately captures other desired statistical properties even in challenging applications involving a large number of spatial locations and a long simulation horizon. The GenFormer model is applied to simulate synthetic wind speed data at various stations in Florida to calculate exceedance probabilities for risk management.
Abstract（参考訳）: 確率発生器は、目的の統計的性質を保持する合成現実化を生成するために不可欠である。時空間多変量確率過程のための確率生成器GenFormerを提案する。マルコフ状態シーケンスと時系列値のマッピングを学習するTransformerベースのディープラーニングモデルを用いて構築されている。 GenFormerモデルによって生成された合成データは、多数の空間的位置と長いシミュレーション地平線を含む挑戦的な応用においても、ターゲットの辺縁分布を保存し、他の所望の統計特性をほぼ捕捉する。 GenFormerモデルを用いて,フロリダ州各地の風速データをシミュレーションし,リスク管理のための超越確率を計算する。

関連論文リスト

Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Learning to Simulate: Generative Metamodeling via Quantile Regression [2.0613075946076904]
従来のメタモデリング技術は、シミュレータ入力と単一出力要約統計量の間の関係を学習する。生成メタモデリングという新しい概念を提案する。生成メタモデルは、入力仕様に基づいて多数のランダム出力を高速に生成することができる。
論文参考訳（メタデータ） (2023-11-29T16:46:24Z)
Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
論文参考訳（メタデータ） (2023-07-23T03:53:53Z)
Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文参考訳（メタデータ） (2023-06-05T21:08:34Z)
Accurate generation of stochastic dynamics based on multi-model Generative Adversarial Networks [0.0]
GAN(Generative Adversarial Networks)は、テキストや画像生成などの分野において大きな可能性を秘めている。ここでは、格子上の原型過程に適用することにより、このアプローチを定量的に検証する。重要なことに、ノイズにもかかわらずモデルの離散性は維持される。
論文参考訳（メタデータ） (2023-05-25T10:41:02Z)
Transformer-based conditional generative adversarial network for multivariate time series generation [0.0]
時間依存データの条件付き生成は、非常に関心のあるタスクである。変圧器を用いた時系列生成対向ネットワーク(TTS-GAN)の最近の提案我々は、その生成された出力を特定のエンコードされたコンテキストに条件付けすることで、TS-GANを拡張する。この変換器をベースとしたCGANは,異なる条件下で現実的な高次元および長大なデータ列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） (2022-10-05T08:29:33Z)
Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文参考訳（メタデータ） (2022-06-10T04:54:13Z)
Abstraction of Markov Population Dynamics via Generative Adversarial Nets [2.1485350418225244]
計算負荷を減らすための戦略は人口モデルを抽象化し、より単純なモデルで置き換えることである。ここでは、このアイデアを追求し、過去の作品に基づいて、連続した空間と離散時間で軌道を生成できる生成器を構築する。このジェネレータは、生成逆数設定で元のモデルのシミュレーションから自動的に学習される。
論文参考訳（メタデータ） (2021-06-24T12:57:49Z)
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)
Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
論文参考訳（メタデータ） (2021-01-31T11:00:55Z)
An Embedded Model Estimator for Non-Stationary Random Functions using Multiple Secondary Variables [0.0]
本稿では,本手法を導入し,地理的モデリングや量子ランダムフォレストに適用した結果と自然に類似した一貫性を有することを示す。このアルゴリズムは、各ターゲット位置におけるターゲット変数の条件分布を推定することで機能する。
論文参考訳（メタデータ） (2020-11-09T00:14:24Z)

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。