論文の概要: Streaming Gaussian Dirichlet Random Fields for Spatial Predictions of
High Dimensional Categorical Observations
- arxiv url: http://arxiv.org/abs/2402.15359v1
- Date: Fri, 23 Feb 2024 14:52:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-26 14:23:34.926720
- Title: Streaming Gaussian Dirichlet Random Fields for Spatial Predictions of
High Dimensional Categorical Observations
- Title（参考訳）: ストリーミングガウス型ディリクレ確率場による高次元カテゴリー観測の空間予測
- Authors: J. E. San Soucie, H. M. Sosik, Y. Girdhar
- Abstract要約: 本稿では,時間分布,疎度,高次元の分類学的観察の流れに対する新しいアプローチを提案する。
提案手法は,ストリーミングデータのグローバルな局所パターンを効率的に学習する。
より正確な予測を行うネットワークアプローチの能力を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present the Streaming Gaussian Dirichlet Random Field (S-GDRF) model, a
novel approach for modeling a stream of spatiotemporally distributed, sparse,
high-dimensional categorical observations. The proposed approach efficiently
learns global and local patterns in spatiotemporal data, allowing for fast
inference and querying with a bounded time complexity. Using a high-resolution
data series of plankton images classified with a neural network, we demonstrate
the ability of the approach to make more accurate predictions compared to a
Variational Gaussian Process (VGP), and to learn a predictive distribution of
observations from streaming categorical data. S-GDRFs open the door to enabling
efficient informative path planning over high-dimensional categorical
observations, which until now has not been feasible.
- Abstract（参考訳）: 本稿では,時空間分布,疎度,高次元のカテゴリー分布をモデル化する新しい手法であるStreaming Gaussian Dirichlet Random Field (S-GDRF) モデルを提案する。
提案手法は時空間データのグローバルパターンと局所パターンを効率的に学習し,時間的制約のある高速な推論とクエリを可能にする。
ニューラルネットワークによって分類されたプランクトン画像の高分解能データ列を用いて,変動ガウス過程(vgp)と比較してより正確な予測を行い,ストリーミングカテゴリデータから観測の予測分布を学習する手法の能力を示す。
S-GDRFは、高次元の分類学的観察による効率的な情報経路計画を可能にするための扉を開く。
関連論文リスト
- Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳（メタデータ） (2023-02-14T17:02:35Z) - Probabilistic forecasting for geosteering in fluvial successions using a
generative adversarial network [0.0]
リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。
本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。
この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
論文 参考訳（メタデータ） (2022-07-04T12:52:38Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。
近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。
DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
論文 参考訳（メタデータ） (2022-02-28T15:53:10Z) - Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。
提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
論文 参考訳（メタデータ） (2021-07-08T10:37:24Z) - Sparse Algorithms for Markovian Gaussian Processes [18.999495374836584]
スパースマルコフ過程は、誘導変数の使用と効率的なカルマンフィルタライク再帰を結合する。
我々は,局所ガウス項を用いて非ガウス的確率を近似する一般的なサイトベースアプローチであるsitesを導出する。
提案手法は,変動推論,期待伝播,古典非線形カルマンスムーサなど,機械学習と信号処理の両方から得られるアルゴリズムの新たなスパース拡張の一群を導出する。
派生した方法は、モデルが時間と空間の両方で別々の誘導点を持つ文学時間データに適しています。
論文 参考訳（メタデータ） (2021-03-19T09:50:53Z) - Remaining Useful Life Estimation Under Uncertainty with Causal GraphNets [0.0]
時系列モデルの構築とトレーニングのための新しいアプローチを提案する。
提案手法は,非定常時系列の予測モデル構築に適している。
論文 参考訳（メタデータ） (2020-11-23T21:28:03Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳（メタデータ） (2020-06-07T07:06:35Z) - Gaussian-Dirichlet Random Fields for Inference over High Dimensional
Categorical Observations [3.383942690870476]
本稿では,ロボットが生成する高次元カテゴリー観測の分布生成モデルを提案する。
提案手法はディリクレ分布を用いて観測されたカテゴリ間の共起関係をスパースするものである。
論文 参考訳（メタデータ） (2020-03-26T19:29:23Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2019-12-30T17:36:33Z)
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。