論文の概要: Robust Tensor Completion via Gradient Tensor Nulclear L1-L2 Norm for Traffic Data Recovery

• arxiv url: http://arxiv.org/abs/2506.22732v1
• Date: Sat, 28 Jun 2025 02:38:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.538436
• Title: Robust Tensor Completion via Gradient Tensor Nulclear L1-L2 Norm for Traffic Data Recovery
• Title（参考訳）: 交通データ回復のためのグラジエントテンソルヌルクラーL1-L2ノルムによるロバストテンソル補完
• Authors: Hao Shu, Jicheng Li, Tianyv Lei, Lijun Sun,
• Abstract要約: 本稿では,L1-L2ノルム(RTC-NL)モデルによるロバスト・コンプリートを提案する。
• 参考スコア（独自算出の注目度）: 14.96194593196997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world scenarios, spatiotemporal traffic data frequently experiences dual degradation from missing values and noise caused by sensor malfunctions and communication failures. Therefore, effective data recovery methods are essential to ensure the reliability of downstream data-driven applications. while classical tensor completion methods have been widely adopted, they are incapable of modeling noise, making them unsuitable for complex scenarios involving simultaneous data missingness and noise interference. Existing Robust Tensor Completion (RTC) approaches offer potential solutions by separately modeling the actual tensor data and noise. However, their effectiveness is often constrained by the over-relaxation of convex rank surrogates and the suboptimal utilization of local consistency, leading to inadequate model accuracy. To address these limitations, we first introduce the tensor L1-L2 norm, a novel non-convex tensor rank surrogate that functions as an effective low-rank representation tool. Leveraging an advanced feature fusion strategy, we further develop the gradient tensor L1-L2 norm by incorporating the tensor L1-L2 norm in the gradient domain. By integrating the gradient tensor nuclear L1-L2 norm into the RTC framework, we propose the Robust Tensor Completion via Gradient Tensor Nuclear L1-L2 Norm (RTC-GTNLN) model, which not only fully exploits both global low-rankness and local consistency without trade-off parameter, but also effectively handles the dual degradation challenges of missing data and noise in traffic data. Extensive experiments conducted on multiple real-world traffic datasets demonstrate that the RTC-GTNLN model consistently outperforms existing state-of-the-art methods in complex recovery scenarios involving simultaneous missing values and noise.
• Abstract（参考訳）: 実世界のシナリオでは、時空間のトラフィックデータはしばしば、センサの故障や通信障害による損失やノイズからの二重劣化を経験する。 したがって、下流データ駆動アプリケーションの信頼性を確保するために、効果的なデータリカバリ手法が不可欠である。 古典的なテンソル補完法は広く採用されているが、ノイズをモデル化することができないため、データの欠如とノイズ干渉を兼ね備えた複雑なシナリオには適さない。 既存のRobust Tensor Completion (RTC) アプローチは、実際のテンソルデータとノイズを別々にモデル化することで潜在的なソリューションを提供する。 しかしながら、それらの有効性は、凸ランクサロゲートの過剰な緩和と局所的な一貫性の最適下の利用によって制約され、不適切なモデルの精度をもたらす。 これらの制限に対処するために、まず、有効な低ランク表現ツールとして機能する新しい非凸テンソルランクサロゲートであるテンソルL1-L2ノルムを導入する。 高度な特徴融合戦略を利用して、勾配領域にテンソルL1-L2ノルムを組み込むことにより、勾配テンソルL1-L2ノルムをさらに発展させる。 勾配テンソル核L1-L2ノルムをRTCフレームワークに組み込むことにより,L1-L2ノルム(RTC-GTNLN)モデルを提案する。 複数の実世界の交通データセットで実施された大規模な実験により、RTC-GTNLNモデルは、同時に欠落した値とノイズを含む複雑な回復シナリオにおいて、既存の最先端の手法を一貫して上回っていることが示された。

関連論文リスト

• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Beyond the convexity assumption: Realistic tabular data generation under quantifier-free real linear constraints [4.956977275061968]
  Disjunctive Refinement Layer (DRL) は、データ制限とユーザ定義制約で指定されたバックグラウンド知識のアライメントを強制するために設計されたレイヤである。 DRLは、量子化子のない線形公式のような制約に本質的に準拠するディープラーニングモデルを自動的に作成できる最初の方法である。
  論文  参考訳（メタデータ） (2025-02-25T14:20:05Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• A PID-Controlled Non-Negative Tensor Factorization Model for Analyzing Missing Data in NILM [0.0]
  非侵入負荷モニタリング(NILM)は、スマートグリッドとエネルギー管理において欠かせないツールとなっている。 線形および行列因数分解のような従来の計算法は非線形関係に苦慮し、スパースデータに敏感である。 本稿では, パラメータ勾配を動的に調整し, 収束性, 安定性, 正確性を向上する, テンソルモデル(PNLF)の非負潜在因数分解法を提案する。
  論文  参考訳（メタデータ） (2024-03-09T10:01:49Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• A Parameter-free Nonconvex Low-rank Tensor Completion Model for Spatiotemporal Traffic Data Recovery [14.084532939272766]
  トラフィックデータは慢性的に腐敗に悩まされ、その後のITSアプリケーションでは精度と実用性が低下する。 提案手法は他の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-09-28T02:29:34Z)
• 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)
• Noisy Tensor Completion via Low-rank Tensor Ring [41.86521269183527]
  テンソル完了は不完全なデータ解析の基本的なツールであり、その目標は部分的な観測から欠落するエントリを予測することである。 既存の手法は、観測されたエントリがノイズフリーであるという明示的あるいは暗黙的な仮定をしばしば示し、欠落したエントリの正確な回復を理論的に保証する。 本稿では,高次・高次観測の劣化処理における既存の作業の非効率性を補完する新しいノイズテンソル補完モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-14T14:09:43Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)

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。