論文の概要: ActVAE: Modelling human activity schedules with a deep conditional generative approach

• arxiv url: http://arxiv.org/abs/2512.04223v1
• Date: Wed, 03 Dec 2025 19:44:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:45.851715
• Title: ActVAE: Modelling human activity schedules with a deep conditional generative approach
• Title（参考訳）: ActVAE: 深い条件付き生成アプローチによる人間の活動スケジュールのモデル化
• Authors: Fred Shone, Tim Hillel,
• Abstract要約: 入力ラベルに依存したリアルなアクティビティスケジュールをモデル化するための、条件付き生成機械学習アプローチを実証する。 これにより、異なる入力ラベルの正確で現実的なスケジュールを迅速に生成できる。 生成能力の重要性を, (i) 条件のない純粋生成モデルと (ii) 入力ラベルが与えられた最も可能性の高いスケジュールを出力する純粋生成モデルとの比較により, より一般的に評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modelling the complexity and diversity of human activity scheduling behaviour is inherently challenging. We demonstrate a deep conditional-generative machine learning approach for the modelling of realistic activity schedules depending on input labels such as an individual's age, employment status, or other information relevant to their scheduling. We combine (i) a structured latent generative approach, with (ii) a conditional approach, through a novel Conditional VAE architecture. This allows for the rapid generation of precise and realistic schedules for different input labels. We extensively evaluate model capabilities using a joint density estimation framework and several case studies. We additionally show that our approach has practical data and computational requirements, and can be deployed within new and existing demand modelling frameworks. We evaluate the importance of generative capability more generally, by comparing our combined approach to (i) a purely generative model without conditionality, and (ii) a purely conditional model which outputs the most likely schedule given the input labels. This comparison highlights the usefulness of explicitly modelling the randomness of complex and diverse human behaviours using deep generative approaches.
• Abstract（参考訳）: 人間の行動スケジューリング行動の複雑さと多様性をモデル化することは本質的に困難である。 本研究では、個人の年齢、雇用状況、その他のスケジュールに関連する情報などの入力ラベルに応じて、現実的な活動スケジュールをモデル化するための深い条件生成機械学習アプローチを示す。 組み合わせる (i)構造的潜在的生成的アプローチ (II)新しい条件付きVAEアーキテクチャによる条件付きアプローチ。 これにより、異なる入力ラベルの正確で現実的なスケジュールを迅速に生成できる。 連立密度推定フレームワークといくつかのケーススタディを用いたモデル機能の評価を行った。 また,本手法には実用的なデータと計算的要件があり,新たな需要モデリングフレームワークに展開可能であることを示す。 組み合わせたアプローチとの比較により、より一般的に生成能力の重要性を評価する。 (i)条件のない純粋に生成モデル、及び (ii)入力ラベルから最も可能性が高いスケジュールを出力する純粋に条件付きモデル。 この比較は、深い生成的アプローチを用いて、複雑で多様な人間の行動のランダム性を明示的にモデル化することの有用性を強調している。

関連論文リスト

• Masked Conditioning for Deep Generative Models [0.0]
  生成モデルが疎結合な混合型データを扱うことを可能にする新しいマスク条件付き手法を提案する。 限られたデータに基づいて訓練された小さなモデルと、事前訓練された大規模な基礎モデルを組み合わせることで、生成品質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-05-22T14:33:03Z)
• Synthesising Activity Participations and Scheduling with Deep Generative Machine Learning [0.0]
  我々は、人間の活動への参加とスケジューリング、すなわち、どの活動に参加するか、いつ参加するかの選択を合成する。 我々のデータ駆動型アプローチは、人間の好みやスケジューリングロジックから得られる分布を直接学習する。 これにより、既存のスケジュールデータの合成や匿名化アプローチよりも、アプローチが大幅に高速で、操作が簡単になります。
  論文  参考訳（メタデータ） (2025-01-17T14:37:54Z)
• Conditional Generative Modeling for High-dimensional Marked Temporal Point Processes [8.133899362296225]
  本稿では,高次元マークを用いたポイントプロセスモデリングのための新しいイベント生成フレームワークを提案する。 我々は、イベントの履歴を入力として取り、高品質な後続イベントを生成する条件付きジェネレータを使用する。 この数値結果は,他の最先端のベースラインと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-21T21:13:10Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Extending Process Discovery with Model Complexity Optimization and Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
  モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。 所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。 医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
  論文  参考訳（メタデータ） (2022-06-10T16:20:59Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Conditional Generative Modeling via Learning the Latent Space [54.620761775441046]
  マルチモーダル空間における条件生成のための新しい枠組みを提案する。 潜在変数を使って一般化可能な学習パターンをモデル化する。 推論では、潜伏変数は複数の出力モードに対応する最適解を見つけるために最適化される。
  論文  参考訳（メタデータ） (2020-10-07T03:11:34Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
  学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。 本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。 提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:42:59Z)

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。