Fugu-MT 論文翻訳(概要): From Incomplete Coarse-Grained to Complete Fine-Grained: A Two-Stage Framework for Spatiotemporal Data Reconstruction

論文の概要: From Incomplete Coarse-Grained to Complete Fine-Grained: A Two-Stage Framework for Spatiotemporal Data Reconstruction

arxiv url: http://arxiv.org/abs/2410.05323v1
Date: Sat, 5 Oct 2024 13:16:53 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 19:27:19.033258
Title: From Incomplete Coarse-Grained to Complete Fine-Grained: A Two-Stage Framework for Spatiotemporal Data Reconstruction
Title（参考訳）: 不完全粗粒化から完全細粒化:時空間データ再構成のための2段階フレームワーク
Authors: Ziyu Sun, Haoyang Su, En Wang, Funing Yang, Yongjian Yang, Wenbin Liu,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 11.18240409124747
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the rapid development of various sensing devices, spatiotemporal data is becoming increasingly important nowadays. However, due to sensing costs and privacy concerns, the collected data is often incomplete and coarse-grained, limiting its application to specific tasks. To address this, we propose a new task called spatiotemporal data reconstruction, which aims to infer complete and fine-grained data from sparse and coarse-grained observations. To achieve this, we introduce a two-stage data inference framework, DiffRecon, grounded in the Denoising Diffusion Probabilistic Model (DDPM). In the first stage, we present Diffusion-C, a diffusion model augmented by ST-PointFormer, a powerful encoder designed to leverage the spatial correlations between sparse data points. Following this, the second stage introduces Diffusion-F, which incorporates the proposed T-PatternNet to capture the temporal pattern within sequential data. Together, these two stages form an end-to-end framework capable of inferring complete, fine-grained data from incomplete and coarse-grained observations. We conducted experiments on multiple real-world datasets to demonstrate the superiority of our method.
Abstract（参考訳）: 近年,各種センサの急速な発展に伴い,時空間データの重要性が高まっている。しかし、コストとプライバシの懸念により、収集されたデータは不完全で粗くなり、特定のタスクに制限されることが多い。そこで本稿では,スパースと粗粒の観測から完全かつきめ細かなデータを推定することを目的とした,時空間データ再構成という新しいタスクを提案する。これを実現するために,Denoising Diffusion Probabilistic Model (DDPM)を基盤とした2段階データ推論フレームワークDiffReconを導入する。第1段階では,スパースデータポイント間の空間相関を利用するために設計された強力なエンコーダであるST-PointFormerによって拡張された拡散モデルであるDiffusion-Cを提案する。その後、第2ステージではDiffusion-Fを導入し、提案されたT-PatternNetを組み込んでシーケンシャルデータ内の時間パターンをキャプチャする。これら2つの段階は、不完全で粗い粒度の観測から完全な、きめ細かいデータを推測できるエンドツーエンドのフレームワークを形成する。提案手法の優位性を示すために,複数の実世界のデータセットを用いて実験を行った。

関連論文リスト

Retrieval-Augmented Diffusion Models for Time Series Forecasting [19.251274915003265]
検索時間拡張拡散モデル(RATD)を提案する。 RATDは埋め込みベースの検索プロセスと参照誘導拡散モデルという2つの部分から構成される。当社のアプローチでは,データベース内の意味のあるサンプルを活用することで,サンプリングを支援し,データセットの利用を最大化することが可能です。
論文参考訳（メタデータ） (2024-10-24T13:14:39Z)
Toward Time-Continuous Data Inference in Sparse Urban CrowdSensing [5.105223708885987]
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。
論文参考訳（メタデータ） (2024-08-27T19:25:41Z)
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)
Dataset Condensation for Time Series Classification via Dual Domain Matching [12.317728375957717]
本研究では,textittextbfTime textittextbfSeries textittextbfClassificationをDual Domain Matching経由で生成する新しいフレームワークであるtextittextbfCondensationを提案する。提案するフレームワークは,時間領域と周波数領域の両方のサロゲート目的にマッチする凝縮データセットを生成することを目的としている。
論文参考訳（メタデータ） (2024-03-12T02:05:06Z)
STARFlow: Spatial Temporal Feature Re-embedding with Attentive Learning for Real-world Scene Flow [6.155589434533128]
両ユークリッド空間における全点対に一致する大域的注意流埋め込みを提案する。我々は、新しいドメイン適応損失を利用して、合成から実世界への動き推論のギャップを埋める。提案手法は,実世界のLiDARスキャンデータセットにおいて特に顕著な結果を得て,各種データセットの最先端性能を実現する。
論文参考訳（メタデータ） (2024-03-11T04:56:10Z)
DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
論文参考訳（メタデータ） (2024-02-26T11:29:16Z)
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2023-01-08T12:20:46Z)
Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文参考訳（メタデータ） (2022-03-11T09:46:22Z)
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)
OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
この作業はリレーショナル推論を使って不完全なデータを埋めます。本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
論文参考訳（メタデータ） (2021-05-02T06:05:54Z)
SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
論文参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。