論文の概要: Inferring Missing Trajectory Data with Temporal Convolutional Networks

• arxiv url: http://arxiv.org/abs/2607.25147v1
• Date: Mon, 27 Jul 2026 23:46:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.659248
• Title: Inferring Missing Trajectory Data with Temporal Convolutional Networks
• Title（参考訳）: 時間的畳み込みネットワークを用いた損失軌道データの推定
• Abstract要約: 本稿では,標準因果制約を緩和する対称拡張型時間畳み込みネットワーク(TCN)を提案する。 このモデルは、重み付き平均二乗誤差、境界連続性ペナルティ、滑らか性正規化器を組み合わせた複合損失で訓練される。 1000ドル(電車)、200ドル(バリデーション)、300ドル(テスト)の2次元軌道にランダムに配置された20%のマスク付きセグメントで訓練されたこのモデルは、良いR$2ドル、MSE、MAEの計測値を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Trajectory data collected in real-world settings is frequently incomplete due to sensor failure, communication loss, or occlusion. We address the task of \emph{trajectory inpainting}: reconstructing contiguous missing segments from observed context. We propose a Temporal Convolutional Network (TCN) with symmetric dilation that relaxes the standard causality constraint, allowing each time step to draw on both past and future observations, a property that is essential for inpainting, but absent from forecasting-oriented architectures. The model is trained with a composite loss that combines weighted mean squared error, boundary--continuity penalties, and a smoothness regularizer. Trained on a synthetic dataset of $1,000$ (train), $200$ (validation), and $300$ (test) two-dimensional trajectories with randomly placed 20% masked segments, the model achieves good R$^{2}$, MSE and MAE metrics.
• Abstract（参考訳）: 実世界の環境で収集された軌道データは、センサーの故障、通信損失、または閉塞のため、しばしば不完全である。 我々は,観察された文脈から連続欠落セグメントを再構築する「emph{trajectory inpainting}」の課題に対処する。 本稿では、標準因果制約を緩和し、各時間ステップで過去と将来の観測の両方を描画できる対称的拡張を持つ時間畳み込みネットワーク(TCN)を提案する。 このモデルは、重み付き平均二乗誤差、境界連続性ペナルティ、滑らか性正規化器を組み合わせた複合損失で訓練される。 1000ドル(電車)、200ドル(バリデーション)、300ドル(テスト)の2次元軌跡をランダムに配置した合成データセットでトレーニングし、R$^{2}ドル、MSE、MAEの計測値を得る。

関連論文リスト

• Deep learning-based prediction of time-resolved adhesive forces in viscoelastic Hertzian contacts [0.0]
  我々は、所定の変位履歴から全力進化を予測するために、ステートフルでシークエンス・ツー・シークエンス深層学習モデルを訓練する。 モデルは、未知のパラメータの組み合わせと分析的制限ケースに対してテストされる。 制御指向アプリケーションで潜在的に使用可能な数値評価を繰り返すために、高速なサロゲートを提供する。
  論文  参考訳（メタデータ） (2026-07-21T12:48:48Z)
• Cross-View Variance Correlation in Path-Traced Stereo:A Hidden Shortcut in Synthetic Training Data [0.0]
  パストレーシングされた合成ステレオデータは、多くの不均一推定訓練パイプラインを実現する。 基礎となる共分散場は, 地道不均等ワープに整列すると, 高い相関関係を示す。 この信号はMCレンダリングデータに特有であり、候補のsim-to-realショートカットを構成する。
  論文  参考訳（メタデータ） (2026-06-24T07:13:00Z)
• Zero-Copy Semantic Contagion: An In-Memory Streaming Architecture for Evolving Attention Graphs [0.0]
  テキストから直接駆動される連続時間グラフとして,企業間の関心をマップするRust-Pythonストリーミングアーキテクチャを導入する。 摂取側では、ゼロコピーのRustエッジがニュースレコードを$sim$100 nsで解析し、ターゲットのエクイティ宇宙を$sim$1.2 $sでスキャンする。 1つのコモディティCPU上で、入ってくるニュースレコードあたり13msのエンドツーエンド処理レイテンシを実証する。
  論文  参考訳（メタデータ） (2026-06-04T05:48:56Z)
• Finite Volume-Informed Neural Network Framework for 2D Shallow Water Equations: Rugged Loss Landscapes and the Importance of Data Guidance [3.04375043248235]
  データガイドFVM-PINN'は,非構造化メッシュ上で評価された強形式残差を,微分可能でバランスの取れた有限体積損失(FVM)に置き換えるフレームワークである。 このフレームワークは、SRH-2Dアンカーデータから正確なサロゲートを構築する。
  論文  参考訳（メタデータ） (2026-05-09T22:03:56Z)
• Tight Convergence Rates for Online Distributed Linear Estimation with Adversarial Measurements [66.94250413799232]
  分散パラメータ-サーバ-ワーカー設定における乱数ベクトル$X$の推定について検討する。 主な課題は、敵の計測と非同期である。 その結果, 分散線形推定におけるロバスト性, 識別性, 統計的効率の統一的有限時間評価が得られた。
  論文  参考訳（メタデータ） (2026-04-07T11:45:55Z)
• LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels [49.35636088613484]
  JEPA(Joint Embedding Predictive Architectures)は、コンパクトな潜在空間で世界モデルを学習するための魅力的なフレームワークを提供する。 最初のJEPAであるLeModelWorldを紹介します。 数時間で1つのGPU上で15万のパラメータをトレーニングできるため、LeWMはファンデーションモデルベースの世界モデルよりも48倍高速に計画している。
  論文  参考訳（メタデータ） (2026-03-13T19:48:14Z)
• MERGETUNE: Continued fine-tuning of vision-language models [77.8627788911249]
  微調整視覚言語モデル(VLM)は、しばしば事前訓練された知識を破滅的に忘れてしまう。 ゼロショットモデルに適応した後に事前学習した知識を回復するための新しいパラダイムである連続微調整(CFT)を導入する。
  論文  参考訳（メタデータ） (2026-01-15T15:15:53Z)
• Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
  テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。 本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
  論文  参考訳（メタデータ） (2025-09-30T03:56:44Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Inference in Partially Linear Models under Dependent Data with Deep Neural Networks [0.0]
  1次ディープニューラルネットワーク(DNN)推定後の定常$beta$-mixingデータに基づく部分線形回帰モデルにおける推論について考察する。 サンプル分割を避けることで、依存データを持つ計量モデルに機械学習技術を適用する際の重要な課題の1つに対処する。
  論文  参考訳（メタデータ） (2024-10-29T22:29:31Z)
• Tangent Model Composition for Ensembling and Continual Fine-tuning [69.92177580782929]
  タンジェントモデル合成(Tangent Model composition, TMC)は、事前訓練された点を中心に微調整されたコンポーネントモデルを独立に結合する手法である。 TMCの精度は4.2%向上し、非線形微調整モデルの精度は4.2%向上した。
  論文  参考訳（メタデータ） (2023-07-16T17:45:33Z)
• Training \eta-VAE by Aggregating a Learned Gaussian Posterior with a Decoupled Decoder [0.553073476964056]
  VAEトレーニングの現在の実践は、しばしば、再構成の忠実さと、潜伏空間の連続性$/$$分散の間のトレードオフをもたらす。 本稿では,2つの損失の対角的機構の直観と注意深い解析を行い,VAEを訓練するための簡易で効果的な2段階法を提案する。 本手法は, 3次元頭蓋骨再建と形状完成を目的とした医療データセットを用いて評価し, 提案手法を用いてトレーニングしたVAEの有望な生成能力を示す。
  論文  参考訳（メタデータ） (2022-09-29T13:49:57Z)
• Learning Nonparametric Human Mesh Reconstruction from a Single Image without Ground Truth Meshes [56.27436157101251]
  そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。 これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
  論文  参考訳（メタデータ） (2020-02-28T20:30:07Z)

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。