論文の概要: Time-Varying Deep State Space Models for Sequences with Switching Dynamics

• arxiv url: http://arxiv.org/abs/2605.15311v1
• Date: Thu, 14 May 2026 18:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.057971
• Title: Time-Varying Deep State Space Models for Sequences with Switching Dynamics
• Title（参考訳）: スイッチングダイナミクスを用いた時系列の時変深部空間モデル
• Authors: Sanja Karilanova, Subhrakanti Dey, Ayça Özçelikkale,
• Abstract要約: 時間変化状態空間モデルに基づくニューラルネットワークのクラスを提案する。 提案モデルは,基礎関数の辞書を通じて学習可能な時間変化ダイナミクスを提供する。 スイッチングシステムからの合成データと音声認識タスクの両方に対する提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 2.309307613420651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The identification and modeling of time-varying systems is a fundamental challenge in signal processing and system identification. To address this challenge, we propose a class of time-varying state-space model (SSM) based neural networks in which the neurons' states are governed by time-varying dynamics. The proposed model provides the learnable time-varying dynamics through a dictionary of basis functions, where each basis function evolves differently over time. We evaluate the proposed approach on both synthetic data from switching systems and a speech denoising task where real audio is corrupted with switching dynamics noise. The results show that the proposed time-varying model consistently outperforms its time-invariant counterparts while maintaining comparable computational complexity. Our investigations also reveal which aspects of the time-varying dynamics of the data most need to be captured by the proposed time-invariant models, how the additional freedom provided by time-varying basis functions should be allocated across model components, and to what extent larger models can compensate for time-invariant limitations.
• Abstract（参考訳）: 時間変化システムの識別とモデリングは、信号処理とシステム識別において根本的な課題である。 この課題に対処するために、時間変化状態空間モデル(SSM)に基づくニューラルネットワークのクラスを提案し、ニューロンの状態は時間変化ダイナミクスによって制御される。 提案したモデルでは,基本関数の辞書を通じて学習可能な時間変化ダイナミクスを提供し,各基底関数は時間とともに異なる進化を遂げる。 本稿では,スイッチングシステムからの合成データに対する提案手法と,スイッチングダイナミックスノイズによって実音声が劣化する音声認識タスクについて評価する。 その結果、提案した時間変化モデルは、計算複雑性を同等に保ちながら、時間不変のモデルよりも一貫して優れていることが示された。 また、提案した時間不変モデルにより、データの時間変化ダイナミクスのどの側面を捉える必要があるか、時間変化基底関数によって提供される追加自由度をモデルコンポーネント間でどのように割り当てるべきか、また、より大きなモデルが時間不変の制限を補うことができるかを明らかにした。

関連論文リスト

• Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
  本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。 本手法はシリーズの進化力学の連続時間依存モデルに依存する。 メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
  論文  参考訳（メタデータ） (2023-06-09T13:20:04Z)
• Neural Differential Recurrent Neural Network with Adaptive Time Steps [11.999568208578799]
  隠れ状態の時間的発達を表すためにニューラルODEを用いるRNN-ODE-Adapと呼ばれるRNNベースのモデルを提案する。 我々は、データの変化の急激さに基づいて時間ステップを適応的に選択し、「スパイクのような」時系列に対してより効率的にモデルを訓練する。
  論文  参考訳（メタデータ） (2023-06-02T16:46:47Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [55.596897987498174]
  本稿では,重み付き時間遅延フィードバック機構を備えたゲートリカレントユニット(GRU)を導入し,時系列データの長期依存性をモデル化する手法を提案する。 提案したモデルである $tau$-GRU は、繰り返し単位の連続時間定式化の離散版であり、力学は遅延微分方程式(DDE)によって制御される。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• Discovering Dynamic Patterns from Spatiotemporal Data with Time-Varying Low-Rank Autoregression [12.923271427789267]
  低ランクテンソル因子化により係数がパラメータ化される時間還元ベクトル自己回帰モデルを開発した。 時間的文脈において、複雑な時間変化系の挙動は、提案モデルにおける時間的モードによって明らかにすることができる。
  論文  参考訳（メタデータ） (2022-11-28T15:59:52Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。