論文の概要: Convex Parameter Recovery for Interacting Marked Processes

• arxiv url: http://arxiv.org/abs/2003.12935v3
• Date: Thu, 12 Nov 2020 17:53:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 13:24:09.577519
• Title: Convex Parameter Recovery for Interacting Marked Processes
• Title（参考訳）: 干渉マーキング過程における凸パラメータの回復
• Authors: Anatoli Juditsky, Arkadi Nemirovski, Liyan Xie, Yao Xie
• Abstract要約: ある場所で発生した事象の確率は、この場所や他の場所での過去の出来事に影響される可能性がある。 私たちは、一般的に採用されているため、相互作用が正あるいは崩壊することを制限しません。 本モデルでは,モデルパラメータに対する一般凸制約を許容することにより,事前知識を組み込む。
• 参考スコア（独自算出の注目度）: 9.578874709168561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a new general modeling approach for multivariate discrete event data with categorical interacting marks, which we refer to as marked Bernoulli processes. In the proposed model, the probability of an event of a specific category to occur in a location may be influenced by past events at this and other locations. We do not restrict interactions to be positive or decaying over time as it is commonly adopted, allowing us to capture an arbitrary shape of influence from historical events, locations, and events of different categories. In our modeling, prior knowledge is incorporated by allowing general convex constraints on model parameters. We develop two parameter estimation procedures utilizing the constrained Least Squares (LS) and Maximum Likelihood (ML) estimation, which are solved using variational inequalities with monotone operators. We discuss different applications of our approach and illustrate the performance of proposed recovery routines on synthetic examples and a real-world police dataset.
• Abstract（参考訳）: 本稿では,多変量離散イベントデータに対して,分類的相互作用のあるマークを用いた新しいモデリング手法を提案する。 提案モデルでは、特定のカテゴリーの事象が特定の場所で発生する確率は、これや他の場所での過去の出来事に影響される可能性がある。 一般的に採用されているように、相互作用が正あるいは崩壊するように制限することはなく、異なるカテゴリの歴史的事象、場所、イベントから任意の形で影響を捉えることができる。 本モデルでは,モデルパラメータに対する一般凸制約を許容することにより,事前知識を組み込む。 制約付き最小二乗法 (ls) と最大確率法 (ml) を用いた2つのパラメータ推定法を開発し, 単調作用素の変分不等式を用いて解く。 本稿では,本手法の異なる応用について考察し,実世界の警察データセットと合成例に基づく復旧ルーチンの性能について述べる。

関連論文リスト

• MAP: Low-compute Model Merging with Amortized Pareto Fronts via Quadratic Approximation [80.47072100963017]
  モデルマージは、同じトレーニング済みモデルから細調整された複数のシングルタスクモデルをマルチタスクモデルに結合する効果的なアプローチである。 既存のモデルマージ手法は、平均的なタスク精度の向上に重点を置いている。 Amortized Pareto Front (MAP) を用いた新しい低計算アルゴリズム Model Merging を導入する。
  論文  参考訳（メタデータ） (2024-06-11T17:55:25Z)
• Hierarchical Neural Simulation-Based Inference Over Event Ensembles [0.4515457784397788]
  そこで本研究では,予測可能な場合のデータセットワイド確率推定手法を提案する。 確率(比)または後部についてニューラル推定器を構築し,モデルの階層構造を明示的に考慮することで,パラメータの制約が大幅に厳しくなることを示す。
  論文  参考訳（メタデータ） (2023-06-21T21:50:42Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Learning Invariant Representations under General Interventions on the Response [2.725698729450241]
  線形構造因果モデル(SCM)に着目し、不変整合性(IMP)を導入する。 離散環境と連続環境の両方において,本手法の一般化誤差を解析する。
  論文  参考訳（メタデータ） (2022-08-22T03:09:17Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
  数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。 我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。 我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-05-14T06:58:44Z)
• Hawkes Processes on Graphons [85.6759041284472]
  我々は、グランガー因果グラフに関連するホークス過程とその変種について研究する。 対応するホークスプロセスを生成し、イベントシーケンスをシミュレートすることができる。 生成した事象列と観測された事象列との間の階層的最適輸送距離を最小化することにより,提案モデルを学習する。
  論文  参考訳（メタデータ） (2021-02-04T17:09:50Z)
• Context-dependent self-exciting point processes: models, methods, and risk bounds in high dimensions [21.760636228118607]
  高次元自己回帰ポイントプロセスは、現在のイベントが、ソーシャルネットワークの1人のメンバーによる活動のような将来の出来事を誘発または抑制する方法をモデル化する。 我々は、機械学習における合成時系列と正規化手法のアイデアを活用し、高次元マークポイントプロセスのネットワーク推定を行う。
  論文  参考訳（メタデータ） (2020-03-16T20:22:43Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。