- Ok-okozati ismétlődő variációs autoencoder az orvosi idősorok generálásához (arXiv)
Szerző: Hongming Li, Shujian Yu, Jose Principe
Absztrakt: Javasoljuk az ok-okozati ismétlődő variációs autoencodert (CR-VAE), egy új generatív modellt, amely képes megtanulni egy Granger oksági gráfot egy többváltozós x idősorból, és beépíti a mögöttes oksági mechanizmust az adatgenerálási folyamatába. A klasszikus visszatérő VAE-ktől eltérően a CR-VAE-nk egy többfejes dekódert használ, amelyben a p-edik fej felelős az x p-edik dimenziójának (azaz xp) generálásáért. Azáltal, hogy ritkaság-indukáló büntetést szabunk ki (a dekóder) súlyaira, és bizonyos súlykészleteket nullára ösztönözünk, a CR-VAE megtanul egy ritka szomszédsági mátrixot, amely ok-okozati összefüggéseket kódol az összes változópár között. Ennek az oksági mátrixnak köszönhetően dekóderünk szigorúan betartja a Granger-ok-okozati összefüggés alapelveit, ezáltal átláthatóvá teszi az adatgenerálási folyamatot. Kétlépcsős megközelítést dolgozunk ki az átfogó cél képzésére. Empirikusan modellünk viselkedését szintetikus adatokban és két valós emberi agyi adatkészletben értékeljük, amelyek magukban foglalják az elektroencefalográfiás (EEG) jeleket és a funkcionális mágneses rezonancia képalkotás (fMRI) adatait. Modellünk minőségileg és mennyiségileg is folyamatosan felülmúlja a legmodernebb idősoros generatív modelleket. Ezenkívül egy hű oksági gráfot is felfedez, amely hasonló vagy jobb pontossággal rendelkezik a meglévő Granger oksági alapú oksági következtetési módszerekhez képest. A CR-VAE kódja nyilvánosan elérhető: https://github.com/hongmingli1995/CR-VA
2. Strukturális figyelem alapú visszatérő variációs automatikus kódoló autópályás jármű anomáliák észleléséhez (arXiv)
Szerző: Neeloy Chakraborty, Aamir Hasan, Shuijing Liu, Tianchen Ji, Weihang Liang, D. Livingston McPherson, Katherine Driggs-Campbell
Absztrakt: Az autonóm vezetés során a rendellenes vezetési viselkedések észlelése elengedhetetlen a járművezérlők biztonsága érdekében. A járművek anomáliáinak észlelésével kapcsolatos korábbi munkák azt mutatták, hogy az ágensek közötti interakciók modellezése javítja az észlelési pontosságot, de bizonyos rendellenes viselkedések, ahol a strukturált útinformáció a legfontosabb, rosszul azonosíthatók, mint például a rossz irányba és a terepen történő vezetés. Javasolunk egy új, felügyelt keretrendszert az autópálya anomáliák kimutatására, a Structural Attention-based Recurrent VAE (SABeR-VAE) néven, amely kifejezetten a környezet szerkezetét használja fel az anomália azonosításának elősegítésére. Konkrétan egy jármű önfigyelő modult használunk az úton közlekedő járművek közötti kapcsolatok megismerésére, egy külön sáv-jármű figyelem modult pedig a megengedett sávok fontosságának modellezésére a pálya előrejelzésében. A figyelmi modulok kimeneteitől függő visszatérő kódoló-dekódoló architektúra sztochasztikus Koopman operátor által propagált látens térrel előrejelzi a járművek következő állapotait. Modellünket végponttól végpontig képezték ki, hogy minimálisra csökkentsék az előrejelzési veszteségeket a normál járműviselkedések során, és az anomáliák észlelésére szolgál (ab)normális forgatókönyvekben. A heterogén jármű- és sávinformáció kombinálásával a SABeR-VAE és determinisztikus változata, a SABeR-AE 18%-kal, illetve 25%-kal javítja a rendellenes AUPR-t a szimulált MAAD autópálya-adatkészleten. Továbbá megmutatjuk, hogy a tanult Koopman operátor a SABeR-VAE-ben értelmezhető struktúrát kényszerít ki a variációs látens térben. Módszerünk eredményei valóban azt mutatják, hogy a környezeti tényezők modellezése elengedhetetlen a telepítés során előforduló anomáliák sokféleségének kimutatásához.
