論文の概要: Prediction with Spatio-temporal Point Processes with Self Organizing Decision Trees

• arxiv url: http://arxiv.org/abs/2003.03657v3
• Date: Sun, 5 Jul 2020 06:15:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 19:11:32.412076
• Title: Prediction with Spatio-temporal Point Processes with Self Organizing Decision Trees
• Title（参考訳）: 自己組織決定木を用いた時空間過程の予測
• Authors: Oguzhan Karaahmetoglu (1 and 2) and Suleyman Serdar Kozat (1 and 2) ((1) Bilkent University, (2) DataBoss A.S.)
• Abstract要約: 私たちはこの問題に新しいアプローチを導入します。 我々のアプローチは、非定常かつ自己興奮的なプロセスであるホークスプロセスに基づいている。 実生活データに関する実験結果を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the spatio-temporal prediction problem, which has attracted the attention of many researchers due to its critical real-life applications. In particular, we introduce a novel approach to this problem. Our approach is based on the Hawkes process, which is a non-stationary and self-exciting point process. We extend the formulations of a standard point process model that can represent time-series data to represent a spatio-temporal data. We model the data as nonstationary in time and space. Furthermore, we partition the spatial region we are working on into subregions via an adaptive decision tree and model the source statistics in each subregion with individual but mutually interacting point processes. We also provide a gradient based joint optimization algorithm for the point process and decision tree parameters. Thus, we introduce a model that can jointly infer the source statistics and an adaptive partitioning of the spatial region. Finally, we provide experimental results on real-life data, which provides significant improvement due to space adaptation and joint optimization compared to standard well-known methods in the literature.
• Abstract（参考訳）: 本研究では,その批判的実生活応用により多くの研究者の注目を集めている時空間予測問題について考察する。 具体的には,この問題に対する新しいアプローチを提案する。 我々のアプローチは、非定常かつ自励的な点過程であるホークス過程に基づいている。 時空間データを表現するために時系列データを表現できる標準点プロセスモデルの定式化を拡張する。 データは時間と空間の非定常としてモデル化します。 さらに,我々が取り組んでいる空間領域を適応的決定木を通して部分領域に分割し,各部分領域のソース統計を個別に相互に相互作用する点過程でモデル化する。 また、点過程と決定木パラメータに対する勾配に基づく共同最適化アルゴリズムも提供する。 そこで,本稿では,音源統計と空間領域の適応的分割を共同で推定するモデルを提案する。 最後に,本論文の標準手法と比較して,空間適応と共同最適化による顕著な改善をもたらす実生活データに関する実験結果を提供する。

関連論文リスト

• Time Series Analysis by State Space Learning [44.99833362998488]
  状態空間モデルによる時系列解析は、説明変数とともに、レベルスロープや季節性のような観測不可能なコンポーネントの予測と抽出に広く用いられている。 本研究は,統計的学習の能力を活用し,時系列モデリングと予測のための総合的なフレームワークを構築するための新しいフレームワークとパラダイムであるState Space Learning(SSL)を紹介する。
  論文  参考訳（メタデータ） (2024-08-17T07:04:26Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• Mixed moving average field guided learning for spatio-temporal data [0.0]
  我々は,新しいベイズ時間埋め込みと理論誘導型機械学習アプローチを定義し,アンサンブル予測を行う。 リプシッツ予測器を用いて、バッチ学習環境における固定時間および任意の時間PACを決定する。 次に、線形予測器とOrnstein-Uhlenbeckプロセスからシミュレーションしたデータセットを用いて学習手法の性能を検証した。
  論文  参考訳（メタデータ） (2023-01-02T16:11:05Z)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• A Novel Framework for Spatio-Temporal Prediction of Environmental Data Using Deep Learning [0.0]
  本稿では,深層学習を用いた気候・環境データの分解時間予測の枠組みを紹介する。 具体的には,完全時間信号の再構成を可能にする正規格子上に空間的にマッピング可能な関数を導入する。 実世界のシミュレーションデータへの応用は,提案フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2020-07-23T07:44:04Z)
• Spatio-temporal Sequence Prediction with Point Processes and Self-organizing Decision Trees [0.0]
  分割時間予測問題に対して,ポイントプロセスに基づく予測アルゴリズムを導入する。 本アルゴリズムは,勾配に基づく最適化手法により,これらの領域間の空間事象と相互作用を共同で学習することができる。 当社のアプローチと最先端のディープラーニングベースのアプローチを比較して,大幅なパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2020-06-25T14:04:55Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)
• Modeling of Spatio-Temporal Hawkes Processes with Randomized Kernels [15.556686221927501]
  犯罪予測や交通予測など,イベントプロセスのダイナミクスを推測する実践的応用が盛んである。 イベント発生間の励起を捕捉する能力によって一般的に使用される,社会的時間的ホークスプロセスについて紹介する。 空間カーネルの計算をランダム化変換と勾配降下で置き換え,その過程を学習する。
  論文  参考訳（メタデータ） (2020-03-07T22:21:06Z)

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。