論文の概要: Spatiotemporal Observer Design for Predictive Learning of
High-Dimensional Data
- arxiv url: http://arxiv.org/abs/2402.15284v1
- Date: Fri, 23 Feb 2024 12:28:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 14:42:36.002365
- Title: Spatiotemporal Observer Design for Predictive Learning of
High-Dimensional Data
- Title(参考訳): 高次元データの予測学習のための時空間観測者設計
- Authors: Tongyi Liang and Han-Xiong Li
- Abstract要約: オブザーバ理論を指導したStemporalと呼ばれるディープラーニングアーキテクチャは、オブザーバの高次元データを予測学習するために設計されている。
このフレームワークは、一段階と多段階の両方のシナリオで正確な予測を行う時間的ダイナミクスをキャプチャすることができる。
- 参考スコア(独自算出の注目度): 6.214987339902511
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although deep learning-based methods have shown great success in
spatiotemporal predictive learning, the framework of those models is designed
mainly by intuition. How to make spatiotemporal forecasting with theoretical
guarantees is still a challenging issue. In this work, we tackle this problem
by applying domain knowledge from the dynamical system to the framework design
of deep learning models. An observer theory-guided deep learning architecture,
called Spatiotemporal Observer, is designed for predictive learning of high
dimensional data. The characteristics of the proposed framework are twofold:
firstly, it provides the generalization error bound and convergence guarantee
for spatiotemporal prediction; secondly, dynamical regularization is introduced
to enable the model to learn system dynamics better during training. Further
experimental results show that this framework could capture the spatiotemporal
dynamics and make accurate predictions in both one-step-ahead and
multi-step-ahead forecasting scenarios.
- Abstract(参考訳): 深層学習に基づく手法は時空間予測学習において大きな成功を収めているが、これらのモデルの枠組みは主に直観によって設計されている。
理論的保証による時空間予測の作り方はまだ難しい課題である。
本研究では、動的システムからのドメイン知識をディープラーニングモデルのフレームワーク設計に適用することにより、この問題に対処する。
時空間オブザーバ(Spatiotemporal Observer)と呼ばれる観測者理論に基づくディープラーニングアーキテクチャは、高次元データの予測学習のために設計されている。
提案フレームワークの特徴は2つある: まず, 時空間予測のための一般化誤差境界と収束保証を提供する; 次に, モデルが訓練中にシステムダイナミクスをよりよく学習できるようにするために, 動的正規化を導入する。
さらに実験結果から,このフレームワークは時空間のダイナミクスを捉えることができ,一段階予測と多段階予測の両方のシナリオで正確な予測を行うことができることがわかった。
関連論文リスト
- Skeleton2vec: A Self-supervised Learning Framework with Contextualized
Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。
具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。
提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文 参考訳(メタデータ) (2024-01-01T12:08:35Z) - GPT-ST: Generative Pre-Training of Spatio-Temporal Graph Neural Networks [24.323017830938394]
この作業は、ベースラインとシームレスに統合し、パフォーマンスを向上する事前トレーニングフレームワークを導入することで、課題に対処することを目的としている。
フレームワークは2つの重要な設計に基づいて構築されている。
Apple-to-appleマスクオートエンコーダは、学習時間依存のための事前トレーニングモデルである。
これらのモジュールは、時間内カスタマイズされた表現とセマンティック・クラスタ間関係を捉えるように設計されている。
論文 参考訳(メタデータ) (2023-11-07T02:36:24Z) - Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning
under A Unified View [73.73667848619343]
UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
論文 参考訳(メタデータ) (2023-10-09T16:17:42Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - Understanding Self-Predictive Learning for Reinforcement Learning [61.62067048348786]
強化学習のための自己予測学習の学習ダイナミクスについて検討する。
本稿では,2つの表現を同時に学習する新しい自己予測アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-06T20:43:37Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Optimized ensemble deep learning framework for scalable forecasting of
dynamics containing extreme events [0.0]
2つの機械学習技術は、モデルの精度、安定性、スケーラビリティを相乗的に改善し、ダイナミクスの予測において新しい応用の波を促すために共同で使用される。
フィードフォワードニューラルネットワーク、貯水池コンピューティング、長期記憶の最良の凸結合に基づくOEDLモデルは、極端な事象からなるダイナミクスの予測を前進させる上で重要な役割を果たす。
論文 参考訳(メタデータ) (2021-06-09T10:59:41Z) - Learning Accurate Long-term Dynamics for Model-based Reinforcement
Learning [7.194382512848327]
より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。
シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
論文 参考訳(メタデータ) (2020-12-16T18:47:37Z)
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。