文献

J-GLOBAL ID：202102285414179140   整理番号：21A1760606

雑音時系列からのベクトル場の推定【JST・京大機械翻訳】

Estimating Vector Fields from Noisy Time Series

著者 (3件)： Bhat Harish S. (University of California,Applied Mathematics,Merced Merced,CA,USA) ,  Reeves Majerle (University of California,Applied Mathematics,Merced Merced,CA,USA) ,  Raziperchikolaei Ramin (Rakuten, Inc.,San Mateo,CA,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IEEECONF  ページ： 599-606  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 時系列から微分方程式モデルを学習する最近の関心の急増があったが,この領域における方法は,通常,高度に雑音の多いデータに対処することができない。この問題を2つの部分に分割した。(i)微分方程式の未知ベクトル場(または右手側)を近似し,(ii)雑音を扱う。(i)を扱うために,一次元神経形状関数のテンソル積から成るニューラルネットワークアーキテクチャについて述べた。(ii),訓練データの多重軌跡と共に,ベクトル場訓練とフィルタリングステップを切り替える交互最小化方式を提案した。ニューラル形状関数アーキテクチャは,高密度ニューラルネットワークの近似特性を保持し,ベクトル場誤差の効果的な計算を可能にし,任意の有限次元dにおけるデータ/システムに対して,グラフィカル解釈性を可能にすることを見出した。また,著者らのニューラル形状関数法または既存の微分方程式学習法のいずれかを交互最小化と多重軌跡との組み合わせを研究した。この方法で任意の学習方法の改造が,この方法の雑音に対するロバスト性を高めることを見出した。一方,それらの生の形は,1%のGauss雑音で,改造の後,それらは10%のGauss雑音でデータから正確なベクトル場を学習する。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *雑音 ,  微分方程式 ,  学習 ,  ニューラルネットワーク ,  フィルタリング ,  近似法 ,  Gauss雑音 ,  多重化 ,  一次元 ,  *ベクトル場 ,  テンソル積 ,  計算機アーキテクチャ ,  ロバスト性
準シソーラス用語： 訓練データ ,  高密度 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 雑音 ,  時系列 ,  ベクトル場 ,  推定