論文の概要: Neural Conditional Event Time Models

• arxiv url: http://arxiv.org/abs/2004.01376v1
• Date: Fri, 3 Apr 2020 05:08:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 03:52:14.194090
• Title: Neural Conditional Event Time Models
• Title（参考訳）: 神経条件イベント時間モデル
• Authors: Matthew Engelhard, Samuel Berchuck, Joshua D'Arcy, Ricardo Henao
• Abstract要約: イベント時間モデルは、既知の特徴に基づいて、関心のあるイベントの発生時間を予測する。 我々は,a)事象発生確率,b)発生予測時刻を区別する条件付き事象時刻モデルを開発する。 その結果, 合成データ, 医療イベント (MIMIC-III) , ソーシャルメディア投稿において, イベント発生およびイベント時間予測の精度が向上した。
• 参考スコア（独自算出の注目度）: 11.920908437656413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event time models predict occurrence times of an event of interest based on known features. Recent work has demonstrated that neural networks achieve state-of-the-art event time predictions in a variety of settings. However, standard event time models suppose that the event occurs, eventually, in all cases. Consequently, no distinction is made between a) the probability of event occurrence, and b) the predicted time of occurrence. This distinction is critical when predicting medical diagnoses, equipment defects, social media posts, and other events that or may not occur, and for which the features affecting a) may be different from those affecting b). In this work, we develop a conditional event time model that distinguishes between these components, implement it as a neural network with a binary stochastic layer representing finite event occurrence, and show how it may be learned from right-censored event times via maximum likelihood estimation. Results demonstrate superior event occurrence and event time predictions on synthetic data, medical events (MIMIC-III), and social media posts (Reddit), comprising 21 total prediction tasks.
• Abstract（参考訳）: イベント時間モデルは、既知の特徴に基づいて、関心のあるイベントの発生時間を予測する。 最近の研究は、ニューラルネットワークがさまざまな設定で最先端のイベント時間予測を実現することを実証している。 しかし、標準的なイベントタイムモデルは、最終的にすべてのケースでイベントが発生すると仮定する。 そのため、区別は行われない。 a) 事象の発生確率、及び b) 発生の予測時刻 この区別は、医療診断、機器欠陥、ソーシャルメディア投稿、その他の発生しない出来事を予測し、その特徴に影響を及ぼす場合に重要である。 a)影響を受けるものと異なるかもしれない b)。 本研究では,これらの成分を識別し,有限事象発生を表す二項確率層を持つニューラルネットワークとして実装する条件付きイベント時間モデルを構築し,最大推定値を用いて,その事象時間からどのように学習するかを示す。 その結果、総合データ、医療イベント(mimic-iii)、ソーシャルメディア投稿(reddit)において、21の予測タスクを含む優れたイベント発生とイベントタイム予測が得られた。

関連論文リスト

• An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes [5.257719744958367]
  生存分析の分野では、時間から時間までの成果が広く研究されている。 Monographは、サバイバル分析のための、合理的に自己完結したモダンな導入を提供することを目指している。
  論文  参考訳（メタデータ） (2024-10-01T21:29:17Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
  SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。 具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。 我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-25T03:33:45Z)
• An Event based Prediction Suffix Tree [0.07589017023705934]
  イベントベースの予測サフィックスツリーは生物学的にインスパイアされた、イベントベースの予測アルゴリズムである。 イベントベースの入力の統計に基づいて、オンラインでモデルを学ぶ。 複数の重なり合うパターンを予測できる。
  論文  参考訳（メタデータ） (2023-10-20T05:07:45Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Understanding the Impact of Competing Events on Heterogeneous Treatment Effect Estimation from Time-to-Event Data [92.51773744318119]
  本研究では,競合イベントの存在下での時間-時間データからヘテロジニアス処理効果(HTE)を推定する問題について検討する。 提案手法は,HTEを推定するための結果モデリング手法であり,既存の時間-時間データの予測モデルを,将来的な結果のプラグイン推定手段としてどのように利用できるかを検討する。 HTEの推定に汎用的な機械学習予測モデルを使用する場合、これらの課題がいつどのように機能するかを理論的に分析し、実証的に説明する。
  論文  参考訳（メタデータ） (2023-02-23T14:28:55Z)
• Who Should I Engage with At What Time? A Missing Event Aware Temporal Graph Neural Network [4.770906657995415]
  本稿では,イベント認識型時間グラフニューラルネットワークMTGNを提案する。 MTGNは既存の手法よりも最大89%,112%,正確な時間とリンク予測に優れていた。
  論文  参考訳（メタデータ） (2023-01-20T02:22:55Z)
• 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)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Variational Neural Temporal Point Process [22.396329275957996]
  時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。 推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。 我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-02-17T13:34:30Z)
• Bayesian Neural Hawkes Process for Event Uncertainty Prediction [0.2148535041822524]
  発生時刻を予測するモデルは、ソーシャルネットワーク、金融取引、ヘルスケア、人間の移動といった様々なアプリケーションにおいて重要な役割を果たす。 最近の研究は、イベントタイムをモデル化するためのニューラルネットワークベースのポイントプロセスを導入し、イベントタイムの予測に最先端のパフォーマンスを提供することを示した。 本稿では,ベイジアンモデルの不確実性モデリング能力とニューラルネットワークの一般化能力を利用する,新しい点過程モデルベイジアン・ニューラルホークス法を提案する。
  論文  参考訳（メタデータ） (2021-12-29T09:47:22Z)

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。