論文の概要: Continuous Temporal Domain Generalization

• arxiv url: http://arxiv.org/abs/2405.16075v1
• Date: Sat, 25 May 2024 05:52:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 01:10:08.053979
• Title: Continuous Temporal Domain Generalization
• Title（参考訳）: 連続時間領域一般化
• Authors: Zekun Cai, Guangji Bai, Renhe Jiang, Xuan Song, Liang Zhao,
• Abstract要約: 時間領域一般化(TDG)は、時間的に変化するデータ分布の下で予測モデルを訓練する際の課題に対処する。 この研究は、ドメインデータが連続時間から導出され、任意の時間に収集される連続時間領域一般化(CTDG)の概念を定式化する。
• 参考スコア（独自算出の注目度）: 17.529690717937267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal Domain Generalization (TDG) addresses the challenge of training predictive models under temporally varying data distributions. Traditional TDG approaches typically focus on domain data collected at fixed, discrete time intervals, which limits their capability to capture the inherent dynamics within continuous-evolving and irregularly-observed temporal domains. To overcome this, this work formalizes the concept of Continuous Temporal Domain Generalization (CTDG), where domain data are derived from continuous times and are collected at arbitrary times. CTDG tackles critical challenges including: 1) Characterizing the continuous dynamics of both data and models, 2) Learning complex high-dimensional nonlinear dynamics, and 3) Optimizing and controlling the generalization across continuous temporal domains. To address them, we propose a Koopman operator-driven continuous temporal domain generalization (Koodos) framework. We formulate the problem within a continuous dynamic system and leverage the Koopman theory to learn the underlying dynamics; the framework is further enhanced with a comprehensive optimization strategy equipped with analysis and control driven by prior knowledge of the dynamics patterns. Extensive experiments demonstrate the effectiveness and efficiency of our approach.
• Abstract（参考訳）: 時間領域一般化(TDG)は、時間的に変化するデータ分布の下で予測モデルを訓練する際の課題に対処する。 従来のTDGアプローチは、固定された離散時間間隔で収集されたドメインデータに重点を置いている。 これを解決するために、ドメインデータは連続時間から導出され、任意の時間に収集される、連続時間領域一般化(CTDG)の概念を定式化する。 CTDGは以下を含む重要な課題に取り組む。 1)データとモデルの両方の連続的ダイナミクスを特徴付ける。 2)複雑高次元非線形力学の学習,および 3)連続時間領域における一般化の最適化と制御。 そこで本研究では,演算子駆動型連続時間領域一般化(Koodos)フレームワークを提案する。 我々は、連続力学系内の問題を定式化し、クープマン理論を利用して基礎力学を学習する。このフレームワークは、動的パターンの事前知識によって駆動される解析と制御を備えた包括的な最適化戦略により、さらに拡張される。 大規模な実験は、我々のアプローチの有効性と効率を実証する。

関連論文リスト

• Latent Conditional Diffusion-based Data Augmentation for Continuous-Time Dynamic Graph Model [6.940445452557734]
  連続時間動的グラフ(CTDG)は、現実世界の関係を正確にモデル化する。 既存のCTDGモデルは、ノイズと限られた歴史的データから生じる課題に直面する。 我々はCTDGに適した遅延拡散に基づくグラフデータ拡張法であるCondaを提案する。
  論文  参考訳（メタデータ） (2024-07-11T13:35:22Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Generalizing across Temporal Domains with Koopman Operators [15.839454056986446]
  本研究では,条件分布の整合が一般化限界の減少に繋がる新しい理論結果を提案する。 この分析は、クープマンニューラル演算子を用いて時間領域一般化(TDG)問題を解くための重要な動機となっている。
  論文  参考訳（メタデータ） (2024-02-12T17:45:40Z)
• Space and Time Continuous Physics Simulation From Partial Observations [0.0]
  大規模機械学習に基づくデータ駆動方式は、より直接的かつ効率的に長距離依存関係を統合することにより、高い適応性を約束する。 我々は流体力学に焦点をあて、正規格子や不規則格子の形で計算と予測の固定的サポートに基づく文献の大部分の欠点に対処する。 本研究では,空間的・時間的領域の連続的な領域において,スパース観測を訓練しながら予測を行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:24:04Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series [18.885471782270375]
  NCDSSMは補助変数を用いて力学からの認識をアンタングルし、補助変数のみに償却推論を必要とする。 本稿では、潜在力学の3つのフレキシブルパラメータ化と、推論中の動的状態の辺りを生かした効率的な学習目標を提案する。 複数のベンチマークデータセットの実証結果は、既存のモデルよりもNCDSSMの計算性能と予測性能が改善されたことを示している。
  論文  参考訳（メタデータ） (2023-01-26T18:45:04Z)
• Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
  ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。 具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。 モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
  論文  参考訳（メタデータ） (2022-05-21T20:01:31Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。