Fugu-MT 論文翻訳(概要): Toward Time-Continuous Data Inference in Sparse Urban CrowdSensing

論文の概要: Toward Time-Continuous Data Inference in Sparse Urban CrowdSensing

arxiv url: http://arxiv.org/abs/2408.16027v1
Date: Tue, 27 Aug 2024 19:25:41 GMT
ステータス: 処理完了
システム内更新日: 2024-08-30 18:04:21.206801
Title: Toward Time-Continuous Data Inference in Sparse Urban CrowdSensing
Title（参考訳）: 疎都市群集センシングにおける時間連続データ推論に向けて
Authors: Ziyu Sun, Haoyang Su, Hanqi Sun, En Wang, Wenbin Liu,
Abstract要約: Mobile Crowd Sensing(MCS)は,モバイルユーザとそのスマートポータブルデバイスを活用して,さまざまな実世界のタスクを実行する,有望なパラダイムである。 Sparse MCSはより実用的な代替として出現し、限られた数のターゲットからデータを収集し、推論アルゴリズムを利用して完全なセンシングマップを完成させている。本稿では,センササイクルの細粒度化,すなわち最小時間単位への分割から,より正確で連続的な完了へと進む。
参考スコア（独自算出の注目度）: 5.105223708885987
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mobile Crowd Sensing (MCS) is a promising paradigm that leverages mobile users and their smart portable devices to perform various real-world tasks. However, due to budget constraints and the inaccessibility of certain areas, Sparse MCS has emerged as a more practical alternative, collecting data from a limited number of target subareas and utilizing inference algorithms to complete the full sensing map. While existing approaches typically assume a time-discrete setting with data remaining constant within each sensing cycle, this simplification can introduce significant errors, especially when dealing with long cycles, as real-world sensing data often changes continuously. In this paper, we go from fine-grained completion, i.e., the subdivision of sensing cycles into minimal time units, towards a more accurate, time-continuous completion. We first introduce Deep Matrix Factorization (DMF) as a neural network-enabled framework and enhance it with a Recurrent Neural Network (RNN-DMF) to capture temporal correlations in these finer time slices. To further deal with the continuous data, we propose TIME-DMF, which captures temporal information across unequal intervals, enabling time-continuous completion. Additionally, we present the Query-Generate (Q-G) strategy within TIME-DMF to model the infinite states of continuous data. Extensive experiments across five types of sensing tasks demonstrate the effectiveness of our models and the advantages of time-continuous completion.
Abstract（参考訳）: Mobile Crowd Sensing(MCS)は,モバイルユーザとそのスマートポータブルデバイスを活用して,さまざまな実世界のタスクを実行する,有望なパラダイムである。しかし、予算の制約と特定の領域のアクセス不能のため、Sparse MCSはより実用的な代替手段として出現し、限られたターゲットサブ領域からデータを収集し、推論アルゴリズムを用いて完全なセンシングマップを完成させている。既存のアプローチでは、通常、各センシングサイクル内でデータが一定である時間離散的な設定を前提としていますが、この単純化は、特に長いサイクルを扱う場合、現実のセンシングデータが連続的に変化するため、重大なエラーを生じさせます。本稿では,センササイクルの細粒度化,すなわち最小時間単位への分割から,より正確で連続的な完了へと進む。まず、ニューラルネットワーク対応フレームワークとしてDeep Matrix Factorization(DMF)を導入し、それをRNN-DMF(Recurrent Neural Network)で強化し、これらの微細な時間スライスにおける時間相関を捉える。連続データにさらに対処するため,不等間隔で時間的情報をキャプチャし,時間連続的な補完を可能にするTIME-DMFを提案する。さらに、TIME-DMF内のクエリ生成(Q-G)戦略を用いて、連続データの無限の状態のモデル化を行う。 5種類のセンシングタスクにわたる広範囲な実験は、我々のモデルの有効性と時間連続補完の利点を実証する。

関連論文リスト

From Incomplete Coarse-Grained to Complete Fine-Grained: A Two-Stage Framework for Spatiotemporal Data Reconstruction [11.18240409124747]
DDPM(Denoising Diffusion Probabilistic Model)に基づく2段階データ推論フレームワークDiffconを導入する。複数の実世界のデータセットで実験を行い、本手法の優位性を実証する。
論文参考訳（メタデータ） (2024-10-05T13:16:53Z)
TimeLDM: Latent Diffusion Model for Unconditional Time Series Generation [2.4454605633840143]
時系列生成は意思決定システムにおいて重要な研究課題である。最近のアプローチでは、時系列情報をモデル化するために、データ空間での学習に焦点を当てている。高品質な時系列生成のための新しい遅延拡散モデルであるTimeLDMを提案する。
論文参考訳（メタデータ） (2024-07-05T01:47:20Z)
tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
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。
論文参考訳（メタデータ） (2024-07-01T15:10:55Z)
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
Time-Aware Knowledge Representations of Dynamic Objects with Multidimensional Persistence [41.32931849366751]
本稿では,暗黙的な時間依存トポロジ情報に着目した時間認識型知識表現機構を提案する。特に,TMP(textitTemporal MultiPersistence)と呼ばれる新しい手法を提案する。 TMP法は、最先端のマルチパーシスタンスサマリーの計算効率を59.5倍に向上させる。
論文参考訳（メタデータ） (2024-01-24T00:33:53Z)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。本研究では,都市におけるモビリティ予測の新たな視点について紹介する。都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文参考訳（メタデータ） (2023-12-04T07:39:05Z)
Delayed Memory Unit: Modelling Temporal Dependency Through Delay Gate [16.4160685571157]
リカレントニューラルネットワーク(RNN)は、時間的依存をモデル化する能力で広く認識されている。本稿では、ゲートRNNのための新しい遅延メモリユニット(DMU)を提案する。 DMUは遅延線構造と遅延ゲートをバニラRNNに組み込み、時間的相互作用を高め、時間的信用割り当てを容易にする。
論文参考訳（メタデータ） (2023-10-23T14:29:48Z)
Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文参考訳（メタデータ） (2023-09-11T08:44:07Z)
Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文参考訳（メタデータ） (2022-10-02T06:58:49Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。