Пространственно-временное прогнозирование с помощью Байесовских нейронных полей

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Байесовские нейронные поля (Bayes NF) - метод масштабируемого пространственно-временного прогнозирования, объединяющий архитектуру глубокой нейронной сети моделирования функций с иерархическим Байесовским моделированием для точной оценки неопределенности в сложных пространственно-временных полях.

Bayes NF строятся на основе Байесовской нейронной сети, отображающей многомерные пространственно-временные координаты в действительное поле.

Для получения высокой априорной вероятности для данных как с низко-, так и с высокочастотными вариациями, к исходным данным о времени и положении, подающимся в сеть, добавляются признаки Фурье, а чтобы учитывать априорные неопределенности, параметры сети получают априорное распределение.

Апостериорный вывод осуществляется с помощью стохастических ансамблей оценки максимального апостериори (MAP) или вариационно обученных суррогатов.

Метод Bayes NF относительно прост, он может обрабатывать пропущенные данные и обучаться по полному распределению вероятностей для произвольных пространственно-временных индексов.

Bayes NF универсален и применим к различным наборам данных без необходимости разработки новой модели для каждого случая или применения специфических для набора данных аппроксимаций вывода.

Для локального запуска BayesNF на средних и больших объемах данных требуется GPU.

Практические туториалы с возможностью запуска на Google Coolab:

анализ (https://google.github.io/bayesnf/tutorials/BayesNF_Tutorial_on_Hungarian_Chickenpox/) на основе пространственно-временного набора данных из 20 временных рядов еженедельных случаев заболевания ветряной оспой в Венгрии в период с 2005 по 2015 гг. Блокнот (https://colab.research.google.com/github/google/bayesnf/blob/main/docs/tutorials/BayesNF_Tutorial_on_Hungarian_Chickenpox.ipynb);

анализ (https://google.github.io/bayesnf/tutorials/BayesNF_Tutorial_on_London_Air_Quality/) данных из об уровне загрязнения воздуха, измеряемом датчиками по всему Лондону каждый час. Блокнот (https://colab.research.google.com/github/google/bayesnf/blob/main/docs/tutorials/BayesNF_Tutorial_on_London_Air_Quality.ipynb).

Локальная установка:

# Install bayesnf from PIP into venv:  

$ python -m venv pyenv

$ source pyenv/bin/activate

$ python -m pip install -U bayesnf

# Install dependencies for Python 3.10

$ python -m pip install -r requirements.Python3.10.14.txt

Лицензирование : Apache 2.0 License.

Документация (https://google.github.io/bayesnf/)

Arxiv (https://www.nature.com/articles/s41467-024-51477-5.pdf)

GitHub (https://github.com/google/bayesnf)


Источник: github.com

Комментарии: