論文の概要: MNT-TNN: Spatiotemporal Traffic Data Imputation via Compact Multimode Nonlinear Transform-based Tensor Nuclear Norm

• arxiv url: http://arxiv.org/abs/2503.22955v1
• Date: Sat, 29 Mar 2025 02:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:34:21.649503
• Title: MNT-TNN: Spatiotemporal Traffic Data Imputation via Compact Multimode Nonlinear Transform-based Tensor Nuclear Norm
• Title（参考訳）: MNT-TNN: 小型マルチモード非線形変換型テンソル核ノルムによる時空間交通データインプット
• Authors: Yihang Lu, Mahwish Yousaf, Xianwei Meng, Enhong Chen,
• Abstract要約: ランダムまたは非ランダムな欠落データの計算は、インテリジェントトランスポーテーションシステム(ITS)にとって重要な応用である マルチモード変換核ノルム家族(ATTNN)の新たな計算法を提案する。 提案したMNT-TNNとATTNNは、最先端の計算手法と比較してベンチマークを上回ります。
• 参考スコア（独自算出の注目度）: 49.15782245370261
• License:
• Abstract: Imputation of random or non-random missing data is a long-standing research topic and a crucial application for Intelligent Transportation Systems (ITS). However, with the advent of modern communication technologies such as Global Satellite Navigation Systems (GNSS), traffic data collection has outpaced traditional methods, introducing new challenges in random missing value imputation and increasing demands for spatiotemporal dependency modelings. To address these issues, we propose a novel spatiotemporal traffic imputation method, Multimode Nonlinear Transformed Tensor Nuclear Norm (MNT-TNN), grounded in the Transform-based Tensor Nuclear Norm (TTNN) optimization framework which exhibits efficient mathematical representations and theoretical guarantees for the recovery of random missing values. Specifically, we strictly extend the single-mode transform in TTNN to a multimode transform with nonlinear activation, effectively capturing the intrinsic multimode spatiotemporal correlations and low-rankness of the traffic tensor, represented as location $\times$ location $\times$ time. To solve the nonconvex optimization problem, we design a proximal alternating minimization (PAM) algorithm with theoretical convergence guarantees. We suggest an Augmented Transform-based Tensor Nuclear Norm Families (ATTNNs) framework to enhance the imputation results of TTNN techniques, especially at very high miss rates. Extensive experiments on real datasets demonstrate that our proposed MNT-TNN and ATTNNs can outperform the compared state-of-the-art imputation methods, completing the benchmark of random missing traffic value imputation.
• Abstract（参考訳）: ランダムまたは非ランダムな欠落データの計算は、長年の研究トピックであり、Intelligent Transportation Systems (ITS) にとって重要な応用である。 しかし,グローバル・サテライト・ナビゲーション・システム(GNSS)のような近代的な通信技術が出現すると,トラフィックデータ収集は従来の手法よりも大きくなり,ランダムな値の計算や時空間依存モデリングへの需要が高まった。 これらの問題に対処するために,トランスフォーメーションベースのテンソル核ノルム(TTNN)最適化フレームワークを基盤として,多モード非線形変換テンソル核ノルム (MNT-TNN) という新しい時空間トラフィック計算手法を提案する。 具体的には、TTNNの単一モード変換を非線形な活性化を伴うマルチモード変換に厳密に拡張し、本質的なマルチモード時空間相関とトラヒックテンソルの低ランク性を効果的にキャプチャし、ロケーション$\times$ location $\times$ timeとする。 非凸最適化問題を解くため,理論収束保証を伴う近似交互最小化(PAM)アルゴリズムを設計する。 本稿では,ATTNN(Augmented Transform-based Tensor Nuclear Norm Families)フレームワークを提案する。 MNT-TNNとATTNNは,実データに対する大規模な実験により,比較した最先端の計算手法よりも優れ,ランダムに欠落したトラフィック値の計算結果のベンチマークが完成することを示した。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
  交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。 このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。 本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2021-05-21T00:08:06Z)
• A Fully Tensorized Recurrent Neural Network [48.50376453324581]
  重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。 このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
  論文  参考訳（メタデータ） (2020-10-08T18:24:12Z)
• Scalable Low-Rank Tensor Learning for Spatiotemporal Traffic Data Imputation [12.520128611313833]
  本稿では,大規模トラフィックデータに対する欠落したデータ計算問題に対処することに焦点を当てる。 精度と効率を両立させるため,スケーラブルなテンソル学習モデルであるローランカル・ランク・コンプリートを開発した。 LSTC-Tubalは計算コストを大幅に削減して競争精度を予測できることがわかった。
  論文  参考訳（メタデータ） (2020-08-07T14:19:07Z)
• DiffRNN: Differential Verification of Recurrent Neural Networks [3.4423518864863154]
  リカレントニューラルネットワーク(RNN)は、画像処理、データ分類、音声認識、自律システムにおけるコントローラなど、さまざまなアプリケーションで人気を集めている。 構造的に類似した2つのニューラルネットワークの等価性を証明するための最初の差分検証手法であるDIFFRNNを提案する。 各種ベンチマークにおいて本手法の有効性を実証し,DIFFRNNがPOPQORNのような最先端の検証ツールより優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-20T14:14:35Z)
• A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic Data Imputation [13.48205738743634]
  様々なセンサシステムから収集された時空間トラフィックデータには,データ計算の欠如が一般的である。 本稿では,各変数に対する最適解を求めるアルゴリズムを提案する。 提案したモデルは、他のベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2020-03-23T13:27:01Z)

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。