論文の概要: tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data

• arxiv url: http://arxiv.org/abs/2407.01356v1
• Date: Mon, 1 Jul 2024 15:10:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 21:10:33.539062
• Title: tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data
• Title（参考訳）: tPARAFAC2:(不完全な)時間データにおける進化パターンの追跡
• Authors: Christos Chatzis, Carla Schenker, Max Pfeffer, Evrim Acar,
• Abstract要約: 進化因子の時間的スムーズ性正規化を利用した t(emporal)PARAFAC2 を導入する。 シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。
• 参考スコア（独自算出の注目度）: 0.7285444492473742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tensor factorizations have been widely used for the task of uncovering patterns in various domains. Often, the input is time-evolving, shifting the goal to tracking the evolution of underlying patterns instead. To adapt to this more complex setting, existing methods incorporate temporal regularization but they either have overly constrained structural requirements or lack uniqueness which is crucial for interpretation. In this paper, in order to capture the underlying evolving patterns, we introduce t(emporal)PARAFAC2 which utilizes temporal smoothness regularization on the evolving factors. We propose an algorithmic framework that employs Alternating Optimization (AO) and the Alternating Direction Method of Multipliers (ADMM) to fit the model. Furthermore, we extend the algorithmic framework to the case of partially observed data. Our numerical experiments on both simulated and real datasets demonstrate the effectiveness of the temporal smoothness regularization, in particular, in the case of data with missing entries. We also provide an extensive comparison of different approaches for handling missing data within the proposed framework.
• Abstract（参考訳）: テンソル因子化は、様々な領域のパターンを明らかにするために広く用いられている。 多くの場合、インプットは時間的に進化し、その代わりに下位のパターンの進化を追跡するという目標をシフトします。 このより複雑な設定に適応するために、既存の手法は時間的正則化を取り入れているが、過度に制約された構造的要件を持つか、解釈に不可欠な特異性を欠いている。 本稿では, 進化するパターンを捉えるために, 時間的平滑化を利用した t(emporal)PARAFAC2 を導入する。 本稿では,AO(Alternating Optimization)とADMM(Alternating Direction Method of Multipliers)をモデルに適合させるアルゴリズムフレームワークを提案する。 さらに,アルゴリズムの枠組みを部分的に観測されたデータに拡張する。 シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。 また、提案フレームワーク内で欠落したデータを扱うための様々なアプローチを広範囲に比較する。

関連論文リスト

• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• RHiOTS: A Framework for Evaluating Hierarchical Time Series Forecasting Algorithms [0.393259574660092]
  RHiOTSは、階層的な時系列予測モデルとアルゴリズムを実世界のデータセット上で堅牢性を評価するように設計されている。 RHiOTSは、複雑な多次元ロバストネス評価結果を直感的で容易に解釈可能なビジュアルに変換する革新的な可視化コンポーネントを組み込んでいる。 従来の統計的手法は、変換効果が非常に破壊的である場合を除き、最先端のディープラーニングアルゴリズムよりも頑健であることを示す。
  論文  参考訳（メタデータ） (2024-08-06T18:52:15Z)
• 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)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• A Time-aware tensor decomposition for tracking evolving patterns [0.7958824725263767]
  時間進化データセットは高階テンソルとして配置されることが多く、モードの1つがタイムモードである。 テンソル因子化は、そのような高次データセットの根底にあるパターンを捉えるのに成功しているが、時間的側面は無視されることが多い。 本稿では、時間的正規化を用いたPARAFAC2に基づくテンソル分解法を提案し、時間的データから徐々に進化するパターンを抽出する。
  論文  参考訳（メタデータ） (2023-08-14T13:13:50Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Toward Learning Robust and Invariant Representations with Alignment Regularization and Data Augmentation [76.85274970052762]
  本論文はアライメント正則化の選択肢の増大を動機としている。 我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。 我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
  論文  参考訳（メタデータ） (2022-06-04T04:29:19Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• An AO-ADMM approach to constraining PARAFAC2 on all modes [6.3172660601651]
  乗算器の交互方向法(AO-ADMM)による交互最適化に基づくPARAFAC2の組付けアルゴリズムを提案する。 提案したPARAFAC2 AO-ADMMアプローチは柔軟な制約を許容し、基礎となるパターンを正確に復元し、最先端技術と比較して計算効率が良いことを示す。
  論文  参考訳（メタデータ） (2021-10-04T09:39:01Z)
• PIETS: Parallelised Irregularity Encoders for Forecasting with Heterogeneous Time-Series [5.911865723926626]
  マルチソースデータセットの不均一性と不規則性は時系列解析において重要な課題となる。 本研究では、異種時系列をモデル化するための新しいアーキテクチャ、PIETSを設計する。 PIETSは異種時間データを効果的にモデル化し、予測タスクにおける他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-09-30T20:01:19Z)
• Variational Conditional Dependence Hidden Markov Models for Skeleton-Based Action Recognition [7.9603223299524535]
  本稿では、時間変化の時間依存性パターンをキャプチャする問題に対処するために、従来の逐次モデリング手法を再検討する。 我々は、過去のフレームへの依存を動的に推定するHMMの異なる定式化を提案する。 フォワード・バックワード・アルゴリズムに基づく抽出可能な推論アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-02-13T23:18:52Z)

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。