論文の概要: dCMF: Learning interpretable evolving patterns from temporal multiway data
- arxiv url: http://arxiv.org/abs/2502.19367v1
- Date: Wed, 26 Feb 2025 18:04:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-27 14:59:11.712435
- Title: dCMF: Learning interpretable evolving patterns from temporal multiway data
- Title（参考訳）: dCMF:時間的マルチウェイデータから解釈可能な進化パターンを学習する
- Authors: Christos Chatzis, Carla Schenker, Jérémy E. Cohen, Evrim Acar,
- Abstract要約: 我々は, LDS, Coupled Matrix Factorizations (CMF) とPARAFAC2モデルの関係を探索することにより, テンソル分解と動的モデリングのギャップを埋める。
そこで本稿では, 遅延因子の時間的変化を制約し, 特定のLSD構造に固執する, d(ynamical)CMFと呼ばれる時間的結合因子分解モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.7285444492473742
- License:
- Abstract: Multiway datasets are commonly analyzed using unsupervised matrix and tensor factorization methods to reveal underlying patterns. Frequently, such datasets include timestamps and could correspond to, for example, health-related measurements of subjects collected over time. The temporal dimension is inherently different from the other dimensions, requiring methods that account for its intrinsic properties. Linear Dynamical Systems (LDS) are specifically designed to capture sequential dependencies in the observed data. In this work, we bridge the gap between tensor factorizations and dynamical modeling by exploring the relationship between LDS, Coupled Matrix Factorizations (CMF) and the PARAFAC2 model. We propose a time-aware coupled factorization model called d(ynamical)CMF that constrains the temporal evolution of the latent factors to adhere to a specific LDS structure. Using synthetic datasets, we compare the performance of dCMF with PARAFAC2 and t(emporal)PARAFAC2 which incorporates temporal smoothness. Our results show that dCMF and PARAFAC2-based approaches perform similarly when capturing smoothly evolving patterns that adhere to the PARAFAC2 structure. However, dCMF outperforms alternatives when the patterns evolve smoothly but deviate from the PARAFAC2 structure. Furthermore, we demonstrate that the proposed dCMF method enables to capture more complex dynamics when additional prior information about the temporal evolution is incorporated.
- Abstract（参考訳）: マルチウェイデータセットは、教師なし行列とテンソル分解法を用いて解析され、基礎となるパターンを明らかにする。
このようなデータセットにはタイムスタンプが含まれており、例えば、時間とともに収集された被験者の健康に関する測定値に対応できる。
時間次元は本質的に他の次元と異なり、本質的な性質を説明する方法を必要とする。
線形力学系(LDS)は、観測されたデータの逐次的依存を捉えるように設計されている。
本研究では, LDS, Coupled Matrix Factorizations (CMF) とPARAFAC2モデルの関係を探索することにより, テンソル分解と動的モデリングのギャップを埋める。
そこで本稿では, 遅延因子の時間的変化を制約し, 特定のLSD構造に固執する, d(ynamical)CMFと呼ばれる時間的結合因子分解モデルを提案する。
合成データセットを用いて, 時間的滑らかさを取り入れた DCMF と PARAFAC2 と t(中)PARAFAC2 を比較した。
DCMFとPARAFAC2をベースとしたアプローチは,PARAFAC2の構造に順応するスムーズなパターンを捉える際にも同様に機能することを示した。
しかし、dCMFは、パターンが滑らかに進化するときに代替よりも優れるが、PARAFAC2構造から逸脱する。
さらに,提案手法は,時間進化に関する事前情報が組み込まれている場合に,より複雑なダイナミクスを捉えることができることを示した。
関連論文リスト
- Grassmannian Geometry Meets Dynamic Mode Decomposition in DMD-GEN: A New Metric for Mode Collapse in Time Series Generative Models [0.0]
Generative Adversarial Networks (GANs) や Variational Autoencoders (Es) のような生成モデルは、トレーニングデータの完全な多様性をキャプチャできず、モード崩壊につながることが多い。
本稿では,時系列に特有のモード崩壊の定義を導入し,その重大度を定量化するための新しい計量 DMD-GEN を提案する。
論文 参考訳（メタデータ） (2024-12-15T19:53:17Z) - tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data [0.7285444492473742]
進化因子の時間的スムーズ性正規化を利用した t(emporal)PARAFAC2 を導入する。
シミュレーションおよび実データを用いた数値実験により,時間的滑らか度正則化の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T15:10:55Z) - Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する
既存の二項化法では性能が著しく低下する。
画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
論文 参考訳（メタデータ） (2024-06-09T10:30:25Z) - UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。
提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
論文 参考訳（メタデータ） (2024-06-07T14:39:28Z) - Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting [26.141054975797868]
時系列予測(TSF)のための新しい適応型マルチスケール分解(AMD)フレームワークを提案する。
我々のフレームワークは時系列を複数のスケールで異なる時間パターンに分解し、MDM(Multi-Scale Decomposable Mixing)ブロックを活用する。
提案手法は,時間依存性とチャネル依存性の両方を効果的にモデル化し,マルチスケールデータ統合を改良するために自己相関を利用する。
論文 参考訳（メタデータ） (2024-06-06T05:27:33Z) - Structural Knowledge Informed Continual Multivariate Time Series
Forecasting [23.18105409644709]
本稿では,連続学習パラダイム内で MTS 予測を行うための新しい構造知識情報連続学習(SKI-CL)フレームワークを提案する。
具体的には、グラフ構造学習に基づく予測モデルを構築し、学習した変数依存と構造知識の間に一貫性の規則化スキームを課す。
本研究では,MTSデータの時間的カバレッジを最大化し,各状態の時間的ダイナミクスと依存性構造を効率的に保存する表現マッチング型メモリ再生方式を開発した。
論文 参考訳（メタデータ） (2024-02-20T05:11:20Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-02-18T05:35:01Z) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。
我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。
実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2023-11-02T17:26:49Z) - A Time-aware tensor decomposition for tracking evolving patterns [0.7958824725263767]
時間進化データセットは高階テンソルとして配置されることが多く、モードの1つがタイムモードである。
テンソル因子化は、そのような高次データセットの根底にあるパターンを捉えるのに成功しているが、時間的側面は無視されることが多い。
本稿では、時間的正規化を用いたPARAFAC2に基づくテンソル分解法を提案し、時間的データから徐々に進化するパターンを抽出する。
論文 参考訳（メタデータ） (2023-08-14T13:13:50Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳（メタデータ） (2021-04-28T22:14:25Z) - TAM: Temporal Adaptive Module for Video Recognition [60.83208364110288]
時間適応モジュール(bf TAM)は、自身の特徴マップに基づいてビデオ固有の時間カーネルを生成する。
Kinetics-400およびSomethingデータセットの実験は、我々のTAMが他の時間的モデリング手法より一貫して優れていることを示した。
論文 参考訳（メタデータ） (2020-05-14T08:22:45Z)
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。