論文の概要: Evolving Markov Chains: Unsupervised Mode Discovery and Recognition from Data Streams

• arxiv url: http://arxiv.org/abs/2411.17528v1
• Date: Tue, 26 Nov 2024 15:42:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:34:05.577055
• Title: Evolving Markov Chains: Unsupervised Mode Discovery and Recognition from Data Streams
• Title（参考訳）: Markov Chainsの進化: データストリームからの教師なしモードの発見と認識
• Authors: Kutalmış Coşkun, Borahan Tümer, Bjarne C. Hiller, Martin Becker,
• Abstract要約: 本研究では、進化的マルコフ連鎖(EMC)を構築するためのオンラインかつ効率的な方法を提案する。 EMCは、遷移確率を適応的に追跡し、モードを自動的に検出し、オンライン方式でモードスイッチを検出する。 本研究は,脳波計測によるヒトの行動認識,運動状態のモニタリング,眼状態の認識における人工的データおよび実世界の応用について評価し,アプローチの汎用性を示す。
• 参考スコア（独自算出の注目度）: 0.7499722271664147
• License:
• Abstract: Markov chains are simple yet powerful mathematical structures to model temporally dependent processes. They generally assume stationary data, i.e., fixed transition probabilities between observations/states. However, live, real-world processes, like in the context of activity tracking, biological time series, or industrial monitoring, often switch behavior over time. Such behavior switches can be modeled as transitions between higher-level \emph{modes} (e.g., running, walking, etc.). Yet all modes are usually not previously known, often exhibit vastly differing transition probabilities, and can switch unpredictably. Thus, to track behavior changes of live, real-world processes, this study proposes an online and efficient method to construct Evolving Markov chains (EMCs). EMCs adaptively track transition probabilities, automatically discover modes, and detect mode switches in an online manner. In contrast to previous work, EMCs are of arbitrary order, the proposed update scheme does not rely on tracking windows, only updates the relevant region of the probability tensor, and enjoys geometric convergence of the expected estimates. Our evaluation of synthetic data and real-world applications on human activity recognition, electric motor condition monitoring, and eye-state recognition from electroencephalography (EEG) measurements illustrates the versatility of the approach and points to the potential of EMCs to efficiently track, model, and understand live, real-world processes.
• Abstract（参考訳）: マルコフ連鎖は、時間依存過程をモデル化するための単純だが強力な数学的構造である。 彼らは一般に定常データ、すなわち観測と状態の間の固定された遷移確率を仮定する。 しかし、活動追跡、生物時系列、産業モニタリングといった実世界のプロセスは、時間とともに振る舞いを切り替えることが多い。 このような振る舞いスイッチは、より高いレベルの \emph{modes} (例えば、ランニング、ウォーキングなど)間の遷移としてモデル化することができる。 しかし、全てのモードは以前は知られておらず、しばしば非常に異なる遷移確率を示し、予測不能に切り替えることができる。 そこで本研究では,生きた実世界のプロセスの行動変化を追跡するために,進化的マルコフ連鎖(EMC)を構築するためのオンラインかつ効率的な手法を提案する。 EMCは、遷移確率を適応的に追跡し、モードを自動的に検出し、オンライン方式でモードスイッチを検出する。 従来の研究とは対照的に、EMCは任意の順序であり、提案された更新スキームは追跡窓に依存しず、確率テンソルの関連領域のみを更新し、予測される推定値の幾何収束を享受する。 脳波計測による人間の活動認識, 運動状態のモニタリング, および眼状態の認識に対する実世界の応用評価は, そのアプローチの汎用性を示し, 実世界のプロセスを効率的に追跡し, モデル化し, 理解するためのEMCの可能性を示唆している。

関連論文リスト

• Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
  一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。 オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。 このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
  論文  参考訳（メタデータ） (2024-11-04T16:12:37Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• End-to-End Training of a Neural HMM with Label and Transition Probabilities [36.32865468394113]
  隠れマルコフモデル(HMM)を用いたエンドツーエンドニューラルネットワークトレーニングのための新しいモデリング手法について検討する。 提案手法では,時間統計を暗黙的にエンコードするブランクラベルとは対照的に,セグメント間の遷移に関する明示的で学習可能な確率が存在する。 トランジションモデルトレーニングでは認識性能は向上しないが,アライメント品質に肯定的な影響を与えることがわかった。
  論文  参考訳（メタデータ） (2023-10-04T10:56:00Z)
• Hybrid hidden Markov LSTM for short-term traffic flow prediction [0.0]
  本稿では,交通データの相補的特徴を学習可能なハイブリッド隠れマルコフ-LSTMモデルを提案する。 その結果,従来の手法と比較して,ハイブリッドアーキテクチャを用いた場合の大幅な性能向上が示唆された。
  論文  参考訳（メタデータ） (2023-07-11T00:56:44Z)
• Neural Continuous-Time Markov Models [2.28438857884398]
  完全観測時系列から連続時間マルコフ連鎖の遷移率関数を学習する手法を開発した。 本手法は,これらの遷移率を,ログ線形法よりもかなり精度良く学習することを示す。
  論文  参考訳（メタデータ） (2022-12-11T00:07:41Z)
• Formal Controller Synthesis for Markov Jump Linear Systems with Uncertain Dynamics [64.72260320446158]
  マルコフジャンプ線形系に対する制御器の合成法を提案する。 本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。 本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
  論文  参考訳（メタデータ） (2022-12-01T17:36:30Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Task-agnostic Continual Learning with Hybrid Probabilistic Models [75.01205414507243]
  分類のための連続学習のためのハイブリッド生成識別手法であるHCLを提案する。 フローは、データの配布を学習し、分類を行い、タスクの変更を特定し、忘れることを避けるために使用される。 本研究では,スプリット-MNIST,スプリット-CIFAR,SVHN-MNISTなどの連続学習ベンチマークにおいて,HCLの強い性能を示す。
  論文  参考訳（メタデータ） (2021-06-24T05:19:26Z)
• Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles modeling [0.0]
  本稿では,視覚的スコアリングにおいて専門家が積極的に実施する制約を組み込んだ単一チャネル脳波生成モデルを提案する。 我々は、一般化期待最大化の特別な場合として、正確に、抽出可能な推論のためのアルゴリズムを導出する。 我々は、このモデルを3つの公開データセット上で検証し、より複雑なモデルが最先端の検出器を越えられるように支援する。
  論文  参考訳（メタデータ） (2020-10-16T21:48:29Z)

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。