論文の概要: DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal
Forecasting
- arxiv url: http://arxiv.org/abs/2403.02914v1
- Date: Tue, 5 Mar 2024 12:31:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 14:59:21.863736
- Title: DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal
Forecasting
- Title(参考訳): DynST:資源制約付き時空間予測のための動的スパーストレーニング
- Authors: Hao Wu, Haomin Wen, Guibin Zhang, Yutong Xia, Kai Wang, Yuxuan Liang,
Yu Zheng, Kun Wang
- Abstract要約: 地球科学システムは、センサーの広範な展開に大きく依存している。
従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。
本稿では,ダイナミックスパーストレーニングのコンセプトを初めて紹介し,重要なセンサデータを動的にフィルタリングすることを約束する。
- 参考スコア(独自算出の注目度): 24.00162014044092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ever-increasing sensor service, though opening a precious path and
providing a deluge of earth system data for deep-learning-oriented earth
science, sadly introduce a daunting obstacle to their industrial level
deployment. Concretely, earth science systems rely heavily on the extensive
deployment of sensors, however, the data collection from sensors is constrained
by complex geographical and social factors, making it challenging to achieve
comprehensive coverage and uniform deployment. To alleviate the obstacle,
traditional approaches to sensor deployment utilize specific algorithms to
design and deploy sensors. These methods dynamically adjust the activation
times of sensors to optimize the detection process across each sub-region.
Regrettably, formulating an activation strategy generally based on historical
observations and geographic characteristics, which make the methods and
resultant models were neither simple nor practical. Worse still, the complex
technical design may ultimately lead to a model with weak generalizability. In
this paper, we introduce for the first time the concept of spatio-temporal data
dynamic sparse training and are committed to adaptively, dynamically filtering
important sensor distributions. To our knowledge, this is the first proposal
(termed DynST) of an industry-level deployment optimization concept at the data
level. However, due to the existence of the temporal dimension, pruning of
spatio-temporal data may lead to conflicts at different timestamps. To achieve
this goal, we employ dynamic merge technology, along with ingenious dimensional
mapping to mitigate potential impacts caused by the temporal aspect. During the
training process, DynST utilize iterative pruning and sparse training,
repeatedly identifying and dynamically removing sensor perception areas that
contribute the least to future predictions.
- Abstract(参考訳): この絶え間なく増加するセンサーサービスは、貴重な道を開き、ディープラーニング指向の地球科学のための大量の地球システムデータを提供するが、悲しいことに、彼らの産業レベルの展開に恐ろしい障害をもたらす。
具体的には、地球科学システムはセンサーの広範な展開に大きく依存するが、センサーからのデータ収集は複雑な地理的・社会的要因に制約されているため、包括的カバレッジと均一な展開を達成することは困難である。
この障害を軽減するため、従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーの設計と展開を行っている。
これらの方法はセンサの活性化時間を動的に調整し、各サブリージョンにわたって検出プロセスを最適化する。
歴史的観測と地理的特徴に基づいて、アクティベーション戦略を定式化することで、手法と結果のモデルは単純でも実用的でもなかった。
さらに悪いことに、複雑な技術設計は最終的には一般化性の弱いモデルにつながるかもしれない。
本稿では,時空間データ動的スパーストレーニングの概念を初めて紹介し,重要なセンサ分布を適応的,動的にフィルタリングすることを目的とする。
私たちの知る限り、これはデータレベルでの業界レベルのデプロイメント最適化コンセプトの最初の提案(dynstと呼ばれる)です。
しかし、時間次元が存在するため、時空間データのプルーニングは異なるタイムスタンプで衝突を引き起こす可能性がある。
この目的を達成するために、動的マージ技術と創発的な次元マッピングを用いて、時間的側面による潜在的影響を軽減する。
トレーニングプロセスの間、DynSTは反復的プルーニングとスパーストレーニングを使用して、将来の予測に最も寄与しない知覚領域を繰り返し識別し、動的に除去する。
関連論文リスト
- Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳(メタデータ) (2024-12-30T13:55:59Z) - Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers [5.4381914710364665]
本研究は, 環境問題として, スパースセンサの配置と信頼性の低いデータに対処する。
グラフクリフォーマーモデルであるKriformerは、限られた資源であっても、空間的および時間的相関をマイニングすることで、センサのない場所でデータを推定する。
論文 参考訳(メタデータ) (2024-09-23T11:01:18Z) - Rethinking Sensors Modeling: Hierarchical Information Enhanced Traffic
Forecasting [47.1051445072085]
我々は、センサーの依存性モデリングを2つの階層(地域とグローバル)から再考する。
我々は,センサ間のグローバルな依存性を反映するグローバルノードとして,代表的パターンと共通時間パターンを生成する。
ノード表現の現実性の一般化を追求するため、物理データ空間におけるノードとグローバルノードの伝播にMeta GCNを組み込んだ。
論文 参考訳(メタデータ) (2023-09-20T13:08:34Z) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳(メタデータ) (2023-08-02T12:04:28Z) - Leveraging arbitrary mobile sensor trajectories with shallow recurrent
decoder networks for full-state reconstruction [4.243926243206826]
LSTM(long, short-term memory)ネットワークやデコーダネットワークのようなシーケンス・ツー・ベクター・モデルでは,動的情報を全状態空間推定にマッピング可能であることを示す。
ネットワークアーキテクチャの例外的な性能は、3つのアプリケーションで実証される。
論文 参考訳(メタデータ) (2023-07-20T21:42:01Z) - RIOT: Recursive Inertial Odometry Transformer for Localisation from
Low-Cost IMU Measurements [5.770538064283154]
我々は,慣性データにおける空間的特徴と長距離依存性の両方を自己注意を利用して捉えた,不変な深部慣性音韻のポーズのための2つのエンドツーエンドフレームワークを提案する。
我々は、同じデータで同じ方法で訓練されたカスタム2層Gated Recurrent Unitに対するアプローチを評価し、複数の異なるユーザ、デバイス、アクティビティに対してそれぞれのアプローチをテストした。
論文 参考訳(メタデータ) (2023-03-03T00:20:01Z) - Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。
本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
論文 参考訳(メタデータ) (2021-06-14T04:31:15Z) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳(メタデータ) (2021-05-08T03:50:45Z) - Global field reconstruction from sparse sensors with Voronoi
tessellation-assisted deep learning [0.0]
任意の数の任意の位置センサに対して,構造化格子を用いた深層学習に基づくデータ駆動型空間場復元手法を提案する。
提案手法は,実時間グローバルフィールド推定のためのニューラルネットワークの実用化に向けた新たな道を開く。
論文 参考訳(メタデータ) (2021-01-03T03:43:53Z) - Deep Learning Framework for Detecting Ground Deformation in the Built
Environment using Satellite InSAR data [7.503635457124339]
我々は、全国規模の速度場における変形を検出するために、事前訓練された畳み込みニューラルネットワーク(CNN)を適用した。
我々は、以前特定された変形が石炭採掘、地下水流出、地すべり、トンネル掘削と関係している英国に焦点を当てる。
本研究は, 自動地動解析システムの開発に提案手法が適用可能であることを示すものである。
論文 参考訳(メタデータ) (2020-05-07T03:14:00Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳(メタデータ) (2020-03-23T10:51:32Z)
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。