論文の概要: Variable Selection for Comparing High-dimensional Time-Series Data
- arxiv url: http://arxiv.org/abs/2412.06870v1
- Date: Mon, 09 Dec 2024 12:08:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-11 14:38:25.009784
- Title: Variable Selection for Comparing High-dimensional Time-Series Data
- Title(参考訳): 高次元時系列データの比較のための可変選択法
- Authors: Kensuke Mitsuzawa, Margherita Grossi, Stefano Bortoli, Motonobu Kanagawa,
- Abstract要約: 2つの系列が大きく異なる変数と時間間隔を選択する方法が提案されている。
1つの時系列が計算コストの高いシミュレータの出力であるアプリケーションでは、実際のデータに対するシミュレータの検証にこの手法を用いることができる。
合成データ実験において,提案手法の有効性と限界について検討した。
- 参考スコア(独自算出の注目度): 1.5824413993211348
- License:
- Abstract: Given a pair of multivariate time-series data of the same length and dimensions, an approach is proposed to select variables and time intervals where the two series are significantly different. In applications where one time series is an output from a computationally expensive simulator, the approach may be used for validating the simulator against real data, for comparing the outputs of two simulators, and for validating a machine learning-based emulator against the simulator. With the proposed approach, the entire time interval is split into multiple subintervals, and on each subinterval, the two sample sets are compared to select variables that distinguish their distributions and a two-sample test is performed. The validity and limitations of the proposed approach are investigated in synthetic data experiments. Its usefulness is demonstrated in an application with a particle-based fluid simulator, where a deep neural network model is compared against the simulator, and in an application with a microscopic traffic simulator, where the effects of changing the simulator's parameters on traffic flows are analysed.
- Abstract(参考訳): 同じ長さと次元の多変量時系列データを与えられた場合、2つの系列が大きく異なる変数と時間間隔を選択するアプローチが提案される。
1つの時系列が計算コストの高いシミュレータの出力であるアプリケーションでは、実際のデータに対するシミュレータの検証、二つのシミュレータの出力の比較、シミュレータに対する機械学習ベースのエミュレータの検証にこの手法を用いることができる。
提案手法では,時間間隔全体を複数のサブインターバルに分割し,各サブインターバルにおいて,各サブインターバルに対して,各分布を区別する選択変数と比較し,2サンプル試験を行う。
合成データ実験において,提案手法の有効性と限界について検討した。
その有用性は、ディープニューラルネットワークモデルをシミュレータと比較する粒子ベースの流体シミュレーターや、微視的な交通シミュレーターを用いて、シミュレータのパラメータの変更がトラフィックフローに与える影響を解析するアプリケーションで示される。
関連論文リスト
- Compositional simulation-based inference for time series [21.9975782468709]
シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。
本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用可能なSBIフレームワークを提案する。
次に、これらの局所的な結果を合成して、時系列の観測全体と一致した後続のオーバーパラメータを求める。
論文 参考訳(メタデータ) (2024-11-05T01:55:07Z) - Querying Labeled Time Series Data with Scenario Programs [0.0]
本稿では,実世界のラベル付き時系列データ項目とシミュレーションシナリオとの一致を形式的に定義する。
自動運転車の領域を超えてスケーラブルなマッチングを実現するための定義とアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-06-25T15:15:27Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。
実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
論文 参考訳(メタデータ) (2023-10-17T06:29:09Z) - LibSignal: An Open Library for Traffic Signal Control [8.290016666341755]
本稿では,信号制御タスクにおける強化学習モデルのクロスシミュレータ比較のためのライブラリを提案する。
このシステムは、Urban Mobility(SUMO)やCityFlowなどの交通信号制御タスクで一般的に使用されるシミュレータをサポートする。
これらの手法が、異なるシミュレーターで同じデータセットでかなり比較されたのは、これが初めてである。
論文 参考訳(メタデータ) (2022-11-19T10:21:50Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-16T07:53:42Z) - Approximate Bayesian Computation with Path Signatures [0.5156484100374059]
本稿では,時系列データ間の距離を構築するための自然候補としてパスシグネチャを導入する。
実験により, 従来の時系列モデルよりも高精度なベイズ後方推定が可能であることが示された。
論文 参考訳(メタデータ) (2021-06-23T17:25:43Z) - Deep Transformer Networks for Time Series Classification: The NPP Safety
Case [59.20947681019466]
時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。
トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
論文 参考訳(メタデータ) (2021-04-09T14:26:25Z) - 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) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z) - Recurrent convolutional neural network for the surrogate modeling of
subsurface flow simulation [0.0]
本稿では,数値フローシミュレーションの代理モデルとして,SegNetとConvLSTM層を組み合わせることを提案する。
その結果,シミュレーションの出力が時系列データである場合,SegNetに基づくサロゲートモデルの性能が著しく向上することが示唆された。
論文 参考訳(メタデータ) (2020-10-08T09:34:48Z)
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。