Fugu-MT 論文翻訳(概要): Continual Traffic Forecasting via Mixture of Experts

論文の概要: Continual Traffic Forecasting via Mixture of Experts

arxiv url: http://arxiv.org/abs/2406.03140v1
Date: Wed, 5 Jun 2024 10:51:17 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 18:50:02.253088
Title: Continual Traffic Forecasting via Mixture of Experts
Title（参考訳）: エキスパートの混在による連続的な交通予測
Authors: Sanghyun Lee, Chanyoung Park,
Abstract要約: 進化するネットワーク下での交通予測のための新しい交通予測混合(TFMoE)を提案する。主なアイデアは、トラフィックフローを複数の均質なグループに分割し、特定のグループに責任を持つ専門家モデルを割り当てることである。これにより、各エキスパートモデルは、トレーニング中の専門家間の干渉を最小限にしながら、特定のパターンのセットを学習し、適応することに集中することができる。
参考スコア（独自算出の注目度）: 27.20703077756038
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The real-world traffic networks undergo expansion through the installation of new sensors, implying that the traffic patterns continually evolve over time. Incrementally training a model on the newly added sensors would make the model forget the past knowledge, i.e., catastrophic forgetting, while retraining the model on the entire network to capture these changes is highly inefficient. To address these challenges, we propose a novel Traffic Forecasting Mixture of Experts (TFMoE) for traffic forecasting under evolving networks. The main idea is to segment the traffic flow into multiple homogeneous groups, and assign an expert model responsible for a specific group. This allows each expert model to concentrate on learning and adapting to a specific set of patterns, while minimizing interference between the experts during training, thereby preventing the dilution or replacement of prior knowledge, which is a major cause of catastrophic forgetting. Through extensive experiments on a real-world long-term streaming network dataset, PEMSD3-Stream, we demonstrate the effectiveness and efficiency of TFMoE. Our results showcase superior performance and resilience in the face of catastrophic forgetting, underscoring the effectiveness of our approach in dealing with continual learning for traffic flow forecasting in long-term streaming networks.
Abstract（参考訳）: 現実世界の交通ネットワークは、新しいセンサーの設置によって拡張され、交通パターンが時間とともに継続的に進化していくことを示唆している。新たに追加されたセンサーでモデルをインクリメンタルにトレーニングすることで、モデルが過去の知識、すなわち破滅的な忘れを忘れ、ネットワーク全体のモデルを再トレーニングしてこれらの変化を捉えることは、非常に非効率である。これらの課題に対処するために、進化するネットワーク下での交通予測のための新しい交通予測混合(TFMoE)を提案する。主なアイデアは、トラフィックフローを複数の均質なグループに分割し、特定のグループに責任を持つ専門家モデルを割り当てることである。これにより、各専門家モデルは、トレーニング中の専門家間の干渉を最小限に抑えながら、特定のパターンの学習と適応に集中することができ、それによって、破滅的な忘れ物の主要な原因である事前知識の希薄化や置き換えを防げる。実世界の長期ストリーミングネットワークデータセットであるPEMSD3-Streamの広範な実験を通じて、TFMoEの有効性と効率を実証する。以上の結果から,長期ストリーミングネットワークにおけるトラフィックフロー予測の継続学習におけるアプローチの有効性を裏付ける,破滅的な忘れ込みに直面した優れた性能とレジリエンスを示す。

関連論文リスト

Individualized Federated Learning for Traffic Prediction with Error Driven Aggregation [8.495633193471853]
フェデレートラーニング(Federated Learning)は、トラフィック予測のための有望なテクニックとして登場した。現在のFLTPフレームワークにはリアルタイムモデル更新スキームがない。個人化されたリアルタイム・フェデレーション学習方式であるNeighborFLを提案する。
論文参考訳（メタデータ） (2024-07-17T00:42:47Z)
RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
論文参考訳（メタデータ） (2024-05-08T17:28:07Z)
Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures [37.66676003679306]
概念の漂流に適応することは、機械学習において難しい課題である。通信ネットワークでは、障害イベントの後に交通予報を行う際にこのような問題が生じる。本稿では,適応学習アルゴリズム,すなわち,データパターンの急激な変化を,再学習を必要とせずに自己適応できる手法を提案する。
論文参考訳（メタデータ） (2024-04-08T08:47:46Z)
Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文参考訳（メタデータ） (2024-03-27T15:57:42Z)
Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文参考訳（メタデータ） (2023-10-05T21:44:18Z)
Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
論文参考訳（メタデータ） (2022-08-17T02:01:18Z)
Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。私たちのコードは公開されます。
論文参考訳（メタデータ） (2022-02-23T18:23:07Z)
TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on Graph Neural Networks and Continual Learning [10.205873494981633]
グラフニューラルネットワーク(GNN)と連続学習(CL)に基づくストリームトラフィックフロー予測フレームワークであるTrafficStreamを提案する。新たなトラフィックパターンをマイニングするために,JS-divergence に基づくアルゴリズムを提案する。モデルの有効性と有効性を検証するために,ストリーミングトラフィックデータセットを構築した。
論文参考訳（メタデータ） (2021-06-11T09:42:37Z)
On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-16T18:39:04Z)
Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文参考訳（メタデータ） (2020-07-10T16:00:44Z)
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。