論文の概要: Traffic Matrix Estimation based on Denoising Diffusion Probabilistic Model

• arxiv url: http://arxiv.org/abs/2410.15716v1
• Date: Mon, 21 Oct 2024 07:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:16:12.370438
• Title: Traffic Matrix Estimation based on Denoising Diffusion Probabilistic Model
• Title（参考訳）: 騒音拡散確率モデルに基づく交通行列の推定
• Authors: Xinyu Yuan, Yan Qiao, Pei Zhao, Rongyao Hu, Benchu Zhang,
• Abstract要約: 本稿では分散確率モデル(DDPM)を分散学習に活用する。 我々は,各ODフローのデータバラツキを維持しつつ,TMの次元を小さくする前処理モジュールを設計する。 DDPMの雑音要因をパラメータ化し,TME問題を勾配差最適化問題に変換する。
• 参考スコア（独自算出の注目度）: 8.111468635365258
• License:
• Abstract: The traffic matrix estimation (TME) problem has been widely researched for decades of years. Recent progresses in deep generative models offer new opportunities to tackle TME problems in a more advanced way. In this paper, we leverage the powerful ability of denoising diffusion probabilistic models (DDPMs) on distribution learning, and for the first time adopt DDPM to address the TME problem. To ensure a good performance of DDPM on learning the distributions of TMs, we design a preprocessing module to reduce the dimensions of TMs while keeping the data variety of each OD flow. To improve the estimation accuracy, we parameterize the noise factors in DDPM and transform the TME problem into a gradient-descent optimization problem. Finally, we compared our method with the state-of-the-art TME methods using two real-world TM datasets, the experimental results strongly demonstrate the superiority of our method on both TM synthesis and TM estimation.
• Abstract（参考訳）: 交通行列推定(TME)問題は数十年にわたって広く研究されてきた。 深層生成モデルの最近の進歩は、より高度な方法でTME問題に取り組む新たな機会を提供する。 本稿では,分散確率モデル(DDPM)を分散学習に活用する強力な能力を活用し,TME問題に対処するためにDDPMを初めて採用する。 本研究では,TMの分布を学習する上でDDPMの優れた性能を確保するため,各ODフローのデータ量を維持しつつ,TMの次元を小さくする前処理モジュールを設計する。 推定精度を向上させるため、DDPMの雑音要因をパラメータ化し、TME問題を勾配-勾配最適化問題に変換する。 最後に,2つの実世界のTMデータセットを用いた最先端TME法との比較を行い,実験結果からTM合成とTM推定の両方において,本手法の優位性を強く実証した。

関連論文リスト

• On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
  マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。 広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。 そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T13:15:50Z)
• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• STLLM-DF: A Spatial-Temporal Large Language Model with Diffusion for Enhanced Multi-Mode Traffic System Forecasting [32.943673568195315]
  マルチタスク輸送予測を改善するため,時空間大言語モデル(STLLM-DF)を提案する。 DDPMの堅牢なdenoising機能により、ノイズの多い入力から基盤となるデータパターンを復元することができる。 STLLM-DFは既存のモデルより一貫して優れており,MAEでは平均2.40%,RMSEでは4.50%,MAPEでは1.51%の削減を実現している。
  論文  参考訳（メタデータ） (2024-09-08T15:29:27Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
  既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。 本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。 本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。 次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
  論文  参考訳（メタデータ） (2023-07-20T09:06:21Z)
• Optimizing DDPM Sampling with Shortcut Fine-Tuning [16.137936204766692]
  ショートカットファインチューニング(SFT)は、事前学習した拡散拡散確率モデル(DDPM)の高速サンプリングの課題に対処するための新しいアプローチである。 SFTは、積分確率メートル法(IPM)の直接最小化によるDDPMサンプリング器の微調整を提唱している。 制御の観点から着想を得た新しいアルゴリズム SFT-PG: Shortcut Fine-Tuning with Policy Gradient を提案する。
  論文  参考訳（メタデータ） (2023-01-31T01:37:48Z)
• DBT-DMAE: An Effective Multivariate Time Series Pre-Train Model under Missing Data [16.589715330897906]
  MTSはデータ不足に悩まされ、下流のタスクが劣化または崩壊する。 本稿では,MTSプレトレインモデルについて述べる。 -DMAE、上記の障害を克服する。
  論文  参考訳（メタデータ） (2022-09-16T08:54:02Z)
• Robust Face Anti-Spoofing with Dual Probabilistic Modeling [49.14353429234298]
  本稿では、DPM-LQ(ラベル品質認識学習)とDPM-DQ(データ品質認識学習)という2つの専用モジュールを備えたDPM(Dual Probabilistic Modeling)という統合フレームワークを提案する。 DPM-LQは、ノイズのあるセマンティックラベルの分布に過度に適合することなく、ロバストな特徴表現を生成することができる。 DPM-DQは、その品質分布に基づいてノイズデータの予測信頼度を補正することにより、推論中のFalse Reject'およびFalse Accept'からデータノイズを除去することができる。
  論文  参考訳（メタデータ） (2022-04-27T03:44:18Z)
• Ranking and Tuning Pre-trained Models: A New Paradigm of Exploiting Model Hubs [136.4492678691406]
  本稿では,事前学習したモデルのランク付けとチューニングにより,モデルハブを利用する新しいパラダイムを提案する。 最高のランク付けされたPTMは、モデルのアーキテクチャを好まない場合は、微調整とデプロイが可能です。 チューニング部は、専用メソッドを超越した、複数 PTM チューニングのための新しい手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T12:59:23Z)
• Sparsity-driven Digital Terrain Model Extraction [9.047481061114649]
  提案する空間駆動型DTM抽出器 (SD-DTM) は,高分解能DSMを入力として,高分解能DTMを構築する。 提案手法の有効性と有効性は,図形地形の残差プロットを通して視覚的かつ定量的に示す。
  論文  参考訳（メタデータ） (2020-12-07T12:29:01Z)
• Approximately Optimal Binning for the Piecewise Constant Approximation of the Normalized Unexplained Variance (nUV) Dissimilarity Measure [0.0]
  我々は,MTMにおける「正規化無説明分散(nUV)」という用語を導入し,その関連性や画像処理以外の適用性を強調した。 我々は,nUV測度に対する最適ビンニング手法に関する理論的結果を提供し,近似解を求めるアルゴリズムを提案する。 提案手法を用いた場合,統計的に有意なAUCスコアは4～13%増加した。
  論文  参考訳（メタデータ） (2020-07-24T11:55:28Z)

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。