論文の概要: Markovletics: Methods and A Novel Application for Learning Continuous-Time Markov Chain Mixtures

• arxiv url: http://arxiv.org/abs/2402.17730v1
• Date: Tue, 27 Feb 2024 18:04:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 15:05:58.241890
• Title: Markovletics: Methods and A Novel Application for Learning Continuous-Time Markov Chain Mixtures
• Title（参考訳）: Markovletics: 連続時間マルコフ連鎖混合学習のための手法と新しい応用
• Authors: Fabian Spaeh, Charalampos E. Tsourakakis
• Abstract要約: 連続時間マルコフ連鎖(CTMC)の学習混合物の研究 CTMCは、ソーシャルメディア、金融、生物学など、様々な分野で広く使われている複雑な連続的なプロセスをモデル化することができる。 我々はCTMCを探索する新しい枠組みを導入し、観測された軌跡の長さと混合パラメータが問題状態に与える影響を強調した。 3年間にわたるLastfmのユーザ生成パスの広範なコレクションにアルゴリズムを適用し、多様なユーザの好みを識別するアルゴリズムの能力を実証する。
• 参考スコア（独自算出の注目度）: 11.131861804842886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential data naturally arises from user engagement on digital platforms like social media, music streaming services, and web navigation, encapsulating evolving user preferences and behaviors through continuous information streams. A notable unresolved query in stochastic processes is learning mixtures of continuous-time Markov chains (CTMCs). While there is progress in learning mixtures of discrete-time Markov chains with recovery guarantees [GKV16,ST23,KTT2023], the continuous scenario uncovers unique unexplored challenges. The intrigue in CTMC mixtures stems from their potential to model intricate continuous-time stochastic processes prevalent in various fields including social media, finance, and biology. In this study, we introduce a novel framework for exploring CTMCs, emphasizing the influence of observed trails' length and mixture parameters on problem regimes, which demands specific algorithms. Through thorough experimentation, we examine the impact of discretizing continuous-time trails on the learnability of the continuous-time mixture, given that these processes are often observed via discrete, resource-demanding observations. Our comparative analysis with leading methods explores sample complexity and the trade-off between the number of trails and their lengths, offering crucial insights for method selection in different problem instances. We apply our algorithms on an extensive collection of Lastfm's user-generated trails spanning three years, demonstrating the capability of our algorithms to differentiate diverse user preferences. We pioneer the use of CTMC mixtures on a basketball passing dataset to unveil intricate offensive tactics of NBA teams. This underscores the pragmatic utility and versatility of our proposed framework. All results presented in this study are replicable, and we provide the implementations to facilitate reproducibility.
• Abstract（参考訳）: シークエンシャルデータは、ソーシャルメディア、音楽ストリーミングサービス、ウェブナビゲーションなどのデジタルプラットフォーム上でのユーザエンゲージメントから自然に発生し、継続的な情報ストリームを通じて進化するユーザの好みや振る舞いをカプセル化する。 確率過程における注目すべき未解決クエリは、連続時間マルコフ連鎖(CTMC)の混合を学習することである。 回復保証[gkv16,st23,ktt2023]を伴う離散時間マルコフ連鎖の混合学習の進歩はあるが、この連続シナリオはユニークな未解決の課題を明らかにする。 CTMC混合物の興味は、ソーシャルメディア、ファイナンス、生物学など様々な分野で広く使われている複雑な時間的確率過程をモデル化する可能性に由来する。 本研究では,ctmcを探索するための新しい枠組みを提案し,特定のアルゴリズムを必要とする問題レジームに対するパス長と混合パラメータの影響を強調する。 これらのプロセスが離散的リソース要求観測によってしばしば観測されるため,連続時間経路の離散化が連続時間混合の学習性に与える影響を徹底的に検討した。 先行する手法との比較分析では,パス数とその長さのトレードオフを探索し,異なる問題インスタンスにおけるメソッド選択の重要な洞察を提供する。 3年間にわたるLastfmのユーザ生成パスの広範なコレクションにアルゴリズムを適用し、多様なユーザの好みを識別するアルゴリズムの能力を実証する。 我々は、NBAチームの複雑な攻撃戦術を明らかにするために、バスケットボールパスデータセットにCTMC混合物を使用することを開拓した。 これは提案したフレームワークの実用性と汎用性を示している。 本研究の成果はすべて複製可能であり,再現性を高める実装を提供する。

関連論文リスト

• Dynamical mixture modeling with fast, automatic determination of Markov chains [0.0]
  変動EMは、高価なモデル比較や後続サンプリングなしに、各チェーンのマルコフ連鎖の数と力学を効率的に同定する。 この手法は、$tt Last.fm$音楽聴取、ウルトラマラソン実行、遺伝子発現に基づくシミュレーションおよび観測データセットを含む理論的解析と数値実験によって支持されている。
  論文  参考訳（メタデータ） (2024-06-07T05:43:11Z)
• ULTRA-MC: A Unified Approach to Learning Mixtures of Markov Chains via Hitting Times [13.299820337462833]
  離散的および連続的なマルコフ連鎖の混合を学習するための統一戦略を導入する。 具体的には、推定打点時間を正確に反映した混合物を出力する再構成アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-23T22:57:15Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
  本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。 よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。 ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
  論文  参考訳（メタデータ） (2023-07-03T09:20:28Z)
• Estimating Latent Population Flows from Aggregated Data via Inversing Multi-Marginal Optimal Transport [57.16851632525864]
  累積カウントデータから潜在人口フローを推定する問題について検討する。 この問題は、プライバシーの問題や測定の不確実性のために個々の軌道が利用できない場合に発生する。 我々はMOTフレームワークのコスト関数を学習し,集約データからの遷移フローを推定する。
  論文  参考訳（メタデータ） (2022-12-30T03:03:23Z)
• Continual Learning In Environments With Polynomial Mixing Times [13.533984338434106]
  連続的強化学習における混合時間の影響について検討した。 平均報酬を直接最適化することで学習を高速化するモデルベースアルゴリズムのファミリーを提案する。
  論文  参考訳（メタデータ） (2021-12-13T23:41:56Z)
• Scaling up Continuous-Time Markov Chains Helps Resolve Underspecification [42.97840843148334]
  連続時間マルコフ連鎖を学習するための近似的近似法を開発し、数百項目までスケール可能で、従来の方法よりも桁違いに高速である。 合成および実がんデータに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-07-06T21:14:49Z)
• Task-agnostic Continual Learning with Hybrid Probabilistic Models [75.01205414507243]
  分類のための連続学習のためのハイブリッド生成識別手法であるHCLを提案する。 フローは、データの配布を学習し、分類を行い、タスクの変更を特定し、忘れることを避けるために使用される。 本研究では,スプリット-MNIST,スプリット-CIFAR,SVHN-MNISTなどの連続学習ベンチマークにおいて,HCLの強い性能を示す。
  論文  参考訳（メタデータ） (2021-06-24T05:19:26Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)

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。