Fugu-MT 論文翻訳(概要): Long Range Switching Time Series Prediction via State Space Model

論文の概要: Long Range Switching Time Series Prediction via State Space Model

arxiv url: http://arxiv.org/abs/2407.19201v1
Date: Sat, 27 Jul 2024 08:04:19 GMT
ステータス: 処理完了
システム内更新日: 2024-07-30 19:21:07.449868
Title: Long Range Switching Time Series Prediction via State Space Model
Title（参考訳）: 状態空間モデルによる長距離切替時系列予測
Authors: Jiaming Zhang, Yang Ding, Yunfeng Gao,
Abstract要約: 我々の中心となる提案はSNLDSのための拡張推論手法と長距離依存性手法である。提案手法は,1次元ローレンツ・データセットと2次元バウンシング・ボール・データセットの両方において,適切なセグメント化と長距離依存性の再現を行う。
参考スコア（独自算出の注目度）: 6.156059892682575
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this study, we delve into the Structured State Space Model (S4), Change Point Detection methodologies, and the Switching Non-linear Dynamics System (SNLDS). Our central proposition is an enhanced inference technique and long-range dependency method for SNLDS. The cornerstone of our approach is the fusion of S4 and SNLDS, leveraging the strengths of both models to effectively address the intricacies of long-range dependencies in switching time series. Through rigorous testing, we demonstrate that our proposed methodology adeptly segments and reproduces long-range dependencies in both the 1-D Lorenz dataset and the 2-D bouncing ball dataset. Notably, our integrated approach outperforms the standalone SNLDS in these tasks.
Abstract（参考訳）: 本研究では,Structured State Space Model (S4), Change Point Detection Methodologies, and the Switching Non-linear Dynamics System (SNLDS)について検討する。我々の中心となる提案はSNLDSのための拡張推論手法と長距離依存性手法である。我々のアプローチの基盤はS4とSNLDSの融合であり、両モデルの強みを活用して、スイッチング時系列における長距離依存の複雑さを効果的に解決する。厳密な試験により,提案手法は1-Dローレンツデータセットと2-Dバウンシングボールデータセットの両方において,精度よくセグメントを分割し,長距離依存性を再現することを示した。特に、我々の統合的なアプローチは、これらのタスクにおいてスタンドアロンのSNLDSよりも優れています。

関連論文リスト

Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging [75.93960998357812]
ディープモデルマージ(Deep Modelmerging)は、複数の微調整モデルを組み合わせて、さまざまなタスクやドメインにまたがる能力を活用する、新たな研究方向を示すものだ。現在のモデルマージ技術は、全ての利用可能なモデルを同時にマージすることに集中しており、重量行列に基づく手法が主要なアプローチである。本稿では,モデルを逐次処理するトレーニングフリーなプロジェクションベース連続マージ手法を提案する。
論文参考訳（メタデータ） (2025-01-16T13:17:24Z)
HSLiNets: Hyperspectral Image and LiDAR Data Fusion Using Efficient Dual Non-Linear Feature Learning Networks [7.06787067270941]
新しい線形特徴空間におけるハイパースペクトルイメージング(HSI)とLiDARデータの統合は、HSIに固有の高次元性と冗長性に起因する課題に対する有望な解決策を提供する。本研究では、双方向逆畳み込み畳み込みニューラルネットワーク(CNN)経路と特殊空間解析ブロックを併用した、二重線型融合空間フレームワークを提案する。提案手法は,データ処理や分類精度を向上するだけでなく,トランスフォーマーなどの先進モデルに係わる計算負担を軽減する。
論文参考訳（メタデータ） (2024-11-30T01:08:08Z)
Joint Selective State Space Model and Detrending for Robust Time Series Anomaly Detection [25.60381244912307]
深層学習に基づくシーケンスモデルは時系列異常検出タスクに広く利用されている。 TSADの能力は、(i)長距離依存をモデル化する能力と(ii)非定常データの存在下での一般化問題という2つの主要な課題によって制限されている。
論文参考訳（メタデータ） (2024-05-30T08:31:18Z)
Spatiotemporal Self-supervised Learning for Point Clouds in the Wild [65.56679416475943]
空間領域と時間領域の両方で正のペアを利用するSSL戦略を導入する。 2つの大規模LiDARデータセット上で,自己教師型トレーニングによって実施した広範囲な実験を通じて,このアプローチのメリットを実証する。
論文参考訳（メタデータ） (2023-03-28T18:06:22Z)
cs-net: structural approach to time-series forecasting for high-dimensional feature space data with limited observations [1.5533753199073637]
本研究では,高次元多変量予測タスクに優れたフレキシブルなデータ特徴抽出手法を提案する。我々のアプローチは、もともとNational Science Foundation (NSF) Algorithms for Threat Detection (ATD) 2022 Challengeのために開発された。我々のモデルは、GDELTデータセットでトレーニングされ、ATDスプリントシリーズの第1位と第2位に終わり、時系列予測のための他のデータセットを約束します。
論文参考訳（メタデータ） (2022-12-05T19:46:47Z)
Learning Mixtures of Linear Dynamical Systems [94.49754087817931]
そこで我々は,2段階のメタアルゴリズムを開発し,各基底構造LPSモデルを誤り$tildeO(sqrtd/T)$.sqrtd/T)まで効率的に復元する。提案手法の有効性を検証し,数値実験による理論的研究を検証する。
論文参考訳（メタデータ） (2022-01-26T22:26:01Z)
Time Series Forecasting with Ensembled Stochastic Differential Equations Driven by L\'evy Noise [2.3076895420652965]
我々は、ニューラルネットワークを備えたSDEの集合を用いて、ノイズのある時系列の長期的な傾向を予測する。まず、位相空間再構成法を用いて時系列データの固有次元を抽出する。次に、$alpha$-stable L'evyの動作によって駆動されるSDEを探索し、時系列データをモデル化し、ニューラルネットワーク近似を用いて問題を解く。
論文参考訳（メタデータ） (2021-11-25T16:49:01Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
A Kernel-Based Approach to Non-Stationary Reinforcement Learning in Metric Spaces [53.47210316424326]
KeRNSは、非定常マルコフ決定過程におけるエピソード強化学習のためのアルゴリズムである。我々は、状態-作用空間の被覆次元と時間とともにMDPの総変動にスケールする後悔境界を証明した。
論文参考訳（メタデータ） (2020-07-09T21:37:13Z)
Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2020-03-31T11:28:25Z)

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。