論文の概要: Beyond Normal: Learning Spatial Density Models of Node Mobility
- arxiv url: http://arxiv.org/abs/2411.10997v1
- Date: Sun, 17 Nov 2024 08:10:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:34:39.221729
- Title: Beyond Normal: Learning Spatial Density Models of Node Mobility
- Title（参考訳）: ノーマルを超えて: ノードモビリティの空間密度モデルを学ぶ
- Authors: Wanxin Gao, Ioanis Nikolaidis, Janelle Harms,
- Abstract要約: 本稿では,ディスク上の移動ノード密度を記述するために,既成混合密度ネットワークモデルの適用性の問題に対処する。
我々は、対称空間関係を維持するためにM"obius分布を用いることを提案するが、一方が円盤を放射的に横切ると変化を捉えるのに十分柔軟である。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Learning models of complex spatial density functions, representing the steady-state density of mobile nodes moving on a two-dimensional terrain, can assist in network design and optimization problems, e.g., by accelerating the computation of the density function during a parameter sweep. We address the question of applicability for off-the-shelf mixture density network models for the description of mobile node density over a disk. We propose the use of M\"obius distributions to retain symmetric spatial relations, yet be flexible enough to capture changes as one radially traverses the disk. The mixture models for M\"obius versus Gaussian distributions are compared and the benefits of choosing M\"obius distributions become evident, yet we also observe that learning mixtures of M\"obius distributions is a fragile process, when using current tools, compared to learning mixtures of Gaussians.
- Abstract（参考訳）: 2次元の地形上を移動する移動ノードの定常密度を表す複雑な空間密度関数の学習モデルは、パラメータスイープ中の密度関数の計算を高速化することにより、ネットワーク設計と最適化の問題を解決することができる。
本稿では,ディスク上の移動ノード密度を記述するために,既成混合密度ネットワークモデルの適用性の問題に対処する。
我々は、対称空間関係を維持するためにM\"obius分布を用いることを提案するが、一方が円盤を放射的に横切ると変化を捉えるのに十分柔軟である。
ガウス分布に対するM\"obiusとガウス分布の混合モデルを比較し、M\"obius分布を選択する利点が明らかになるが、ガウス分布の学習混合はガウス分布の学習混合と比較して、現在のツールを使用する場合の脆弱な過程であることも観察する。
関連論文リスト
- Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳（メタデータ） (2024-05-22T17:23:15Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳（メタデータ） (2023-10-30T21:27:53Z) - Optimal Transport for Kernel Gaussian Mixture Models [1.631115063641726]
最適な物質輸送からワッサーシュタインの距離は強力な数学的ツールである。
核ヒルベルト空間における2つのガウス混合間の距離を計算するためのワッサーシュタイン型計量を提案する。
論文 参考訳（メタデータ） (2023-10-28T04:31:49Z) - Hyperbolic VAE via Latent Gaussian Distributions [7.258394470200572]
本稿ではガウス多様体の変分オートエンコーダ(GM-VAE)を提案する。
実験では、画像データセットの密度推定とモデルベース強化学習における環境モデリングの2つのタスクにおけるGM-VAEの有効性を実証した。
論文 参考訳（メタデータ） (2022-09-30T04:09:06Z) - The Schr\"odinger Bridge between Gaussian Measures has a Closed Form [101.79851806388699]
我々は OT の動的定式化(Schr"odinger bridge (SB) 問題)に焦点を当てる。
本稿では,ガウス測度間のSBに対する閉形式表現について述べる。
論文 参考訳（メタデータ） (2022-02-11T15:59:01Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳（メタデータ） (2021-10-11T09:00:33Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳（メタデータ） (2021-07-05T18:30:26Z) - A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。
カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。
有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2021-06-18T08:33:45Z)
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。