Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Linear Approximation in Time Domain01:21

Linear Approximation in Time Domain

384
Nonlinear systems often require sophisticated approaches for accurate modeling and analysis, with state-space representation being particularly effective. This method is especially useful for systems where variables and parameters vary with time or operating conditions, such as in a simple pendulum or a translational mechanical system with nonlinear springs.
For a simple pendulum with a mass evenly distributed along its length and the center of mass located at half the pendulum's length,...
384
Sampling Continuous Time Signal01:11

Sampling Continuous Time Signal

783
In signal processing, a continuous-time signal can be sampled using an impulse-train sampling technique, followed by the zero-order hold method. Impulse-train sampling involves the use of a periodic impulse train, which consists of a series of delta functions spaced at regular intervals determined by the sampling period. When a continuous-time signal is multiplied by this impulse train, it generates impulses with amplitudes corresponding to the signal's values at the sampling points.
In the...
783
Curvilinear Motion: Rectangular Components01:23

Curvilinear Motion: Rectangular Components

1.4K
Curvilinear motion characterizes the movement of a particle or object along a curved path, notably evident when envisioning a car navigating a winding road. If the car starts at point A, its position vector is established within a fixed frame of reference, where the ratio of the position vector to its magnitude signifies the unit vector pointing in the position vector's direction.
As the car advances, its position evolves over time. Quantifying the car's velocity involves computing the...
1.4K
Linear time-invariant Systems01:23

Linear time-invariant Systems

993
A system is linear if it displays the characteristics of homogeneity and additivity, together termed the superposition property. This principle is fundamental in all linear systems. Linear time-invariant (LTI) systems include systems with linear elements and constant parameters.
The input-output behavior of an LTI system can be fully defined by its response to an impulsive excitation at its input. Once this impulse response is known, the system's reaction to any other input can be...
993
Linear Approximation in Frequency Domain01:26

Linear Approximation in Frequency Domain

407
Linear systems are characterized by two main properties: superposition and homogeneity. Superposition allows the response to multiple inputs to be the sum of the responses to each individual input. Homogeneity ensures that scaling an input by a scalar results in the response being scaled by the same scalar.
In contrast, nonlinear systems do not inherently possess these properties. However, for small deviations around an operating point, a nonlinear system can often be approximated as linear....
407
Basic Continuous Time Signals01:22

Basic Continuous Time Signals

742
Basic continuous-time signals include the unit step function, unit impulse function, and unit ramp function, collectively referred to as singularity functions. Singularity functions are characterized by discontinuities or discontinuous derivatives.
The unit step function, denoted u(t), is zero for negative time values and one for positive time values, exhibiting a discontinuity at t=0. This function often represents abrupt changes, such as the step voltage introduced when turning a car's...
742

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

SigmaScheduling: Uncertainty-Informed Scheduling of Decision Points for Intelligent Mobile Health Interventions.

... International Conference on Wearable and Implantable Body Sensor Networks. International Conference on Wearable and Implantable Body Sensor Networks·2026
Same author

Multi-Time Attention Networks for Irregularly Sampled Time Series.

... International Conference on Learning Representations·2026
Same author

Dynamic Modeling and System Identification of User Engagement in mHealth Interventions using a Bayesian Approach for Missing Data Imputation.

Control engineering practice·2025
Same author

Understanding the Policy Space for AgeTech: Implications for AI and Digital Health.

The Public policy and aging report·2025
Same author

Temporally Multi-Scale Sparse Self-Attention for Physical Activity Data Imputation.

Proceedings of machine learning research·2024
Same author

BayesLDM: A Domain-specific Modeling Language for Probabilistic Modeling of Longitudinal Data.

...IEEE...International Conference on Connected Health: Applications, Systems and Engineering Technologies. IEEE International Conference on Connected Health: Applications, Systems and Engineering Technologies·2023
Same journal

Continual Slow-and-Fast Adaptation of Latent Neural Dynamics (CoSFan): Meta-Learning What-How & When to Adapt.

... International Conference on Learning Representations·2026
Same journal

Topology-Aware Segmentation Using Discrete Morse Theory.

... International Conference on Learning Representations·2026
Same journal

TOPODIFFUSIONNET: A TOPOLOGY-AWARE DIFFUSION MODEL.

... International Conference on Learning Representations·2026
Same journal

GEOMETRY OF LONG-TAILED REPRESENTATION LEARNING: REBALANCING FEATURES FOR SKEWED DISTRIBUTIONS.

... International Conference on Learning Representations·2026
Same journal

Probabilistic Geometric Principal Component Analysis with application to neural data.

... International Conference on Learning Representations·2026
Same journal

BRAID: Input-driven nonlinear dynamical modeling of neural-behavioral data.

... International Conference on Learning Representations·2026
関連記事をすべて見る

関連する実験動画

Updated: Feb 26, 2026

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
08:27

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines

Published on: January 5, 2024

1.7K

不規則時系列のためのヘテロセダスティック時系列変分オートエンコーダー

Satya Narayan Shukla1, Benjamin M Marlin1

  • 1College of Information and Computer Sciences, University of Massachusetts Amherst, Amherst, MA 01003, USA.

... International Conference on Learning Representations
|February 25, 2026
PubMed
まとめ
この要約は機械生成です。

不規則にサンプリングされた時系列の確率的補間のための深層学習フレームワークであるヘテロセダスティック時系列変分オートエンコーダー（HeTVAE）を導入する。HeTVAEは、データ疎性によって引き起こされる時間的変動を効果的にモデル化し、反映する。

キーワード:
時系列補間不確実性モデリング深層学習変分オートエンコーダー不規則サンプリング

関連する実験動画

Last Updated: Feb 26, 2026

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
08:27

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines

Published on: January 5, 2024

1.7K

科学分野:

  • 機械学習
  • 時系列解析
  • 深層学習

背景:

  • 不規則にサンプリングされた時系列は、標準的な深層学習モデルにとって課題となる。
  • 正確な補間と不確実性定量化は、データが疎な領域において極めて重要である。

研究 の 目的:

  • 不規則にサンプリングされた時系列の確率的補間のための新しい深層学習フレームワークを開発すること。
  • 不規則なサンプリングパターンを持つ時系列データの不確実性モデリングを改善すること。

主な方法:

  • ヘテロセダスティック時系列変分オートエンコーダー（HeTVAE）フレームワークを提案した。
  • 観測値の疎性をエンコードするための新しい入力層を導入した。
  • 不確実性を伝播するために、時系列変分オートエンコーダー（VAE）アーキテクチャを利用した。
  • 補間における変動不確実性のためのヘテロセダスティック出力層を組み込んだ。

主要な成果:

  • HeTVAEは、ベースラインモデルや従来のモデルと比較して、時間経過に伴う不確実性の変動を反映する上で優れた性能を示した。
  • 提案されたアーキテクチャは、ホモセダスティック出力層を持つ最近の深層潜在変数モデルを上回った。
  • HeTVAEは、疎で不規則な時系列サンプリングに起因する不確実性を効果的に処理した。

結論:

  • ヘテロセダスティック時系列変分オートエンコーダー（HeTVAE）は、不規則にサンプリングされた時系列の確率的補間に対して効果的なソリューションを提供する。
  • HeTVAEのヘテロセダスティック不確実性をモデル化する能力は、疎なデータシナリオにおける性能向上に不可欠である。
  • このフレームワークは、現実世界の不規則にサンプリングされた時間的データを扱う深層学習アプリケーションにとって重要な進歩を提供する。