論文の概要: Fast and Flexible Temporal Point Processes with Triangular Maps

• arxiv url: http://arxiv.org/abs/2006.12631v2
• Date: Tue, 10 Nov 2020 16:44:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 05:10:41.721806
• Title: Fast and Flexible Temporal Point Processes with Triangular Maps
• Title（参考訳）: 三角形写像を用いた高速かつフレキシブルな時間点過程
• Authors: Oleksandr Shchur, Nicholas Gao, Marin Bilo\v{s}, Stephan G\"unnemann
• Abstract要約: 我々は、サンプリングと可能性の両方を並列に行うことができる新しい非リカレントTPPモデルを提案する。 合成および実世界のデータセットにおける提案フレームワークの利点を実証する。
• 参考スコア（独自算出の注目度）: 24.099464487795274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal point process (TPP) models combined with recurrent neural networks provide a powerful framework for modeling continuous-time event data. While such models are flexible, they are inherently sequential and therefore cannot benefit from the parallelism of modern hardware. By exploiting the recent developments in the field of normalizing flows, we design TriTPP -- a new class of non-recurrent TPP models, where both sampling and likelihood computation can be done in parallel. TriTPP matches the flexibility of RNN-based methods but permits orders of magnitude faster sampling. This enables us to use the new model for variational inference in continuous-time discrete-state systems. We demonstrate the advantages of the proposed framework on synthetic and real-world datasets.
• Abstract（参考訳）: 時間的ポイントプロセス(tpp)モデルとリカレントニューラルネットワークの組み合わせは、連続時間イベントデータをモデリングするための強力なフレームワークを提供する。 このようなモデルは柔軟であるが、本質的にシーケンシャルであるため、現代のハードウェアの並列性から恩恵を受けることはできない。 流れの正規化の分野における最近の発展を生かして、サンプリングと確率計算の両方を並列に行う、TriTPP -- 新たな非リカレントTPPモデルのクラスを設計する。 TriTPPはRNNベースのメソッドの柔軟性にマッチするが、より高速なサンプリングが可能である。 これにより、連続時間離散状態系の変分推論に新しいモデルを使用することができる。 合成および実世界のデータセットにおける提案フレームワークの利点を実証する。

関連論文リスト

• A Temporal Linear Network for Time Series Forecasting [0.0]
  本稿では,線形モデルの能力を拡張しつつ,解釈性と計算効率を向上する時間線形ネット(TLN)を提案する。 我々のアプローチはアーキテクチャ全体を通して厳密な線形性を維持するTSMixerの変種である。 TLNの重要な革新は、同等の線形モデルを計算する能力であり、TSMixerのようなより複雑なアーキテクチャでは見つからないレベルの解釈性を提供する。
  論文  参考訳（メタデータ） (2024-10-28T18:51:19Z)
• ALERT-Transformer: Bridging Asynchronous and Synchronous Machine Learning for Real-Time Event-based Spatio-Temporal Data [8.660721666999718]
  非同期センシングと同期処理を組み合わせたハイブリッドパイプラインを提案する。 競争相手よりもレイテンシの低い最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-02-02T13:17:19Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• Intensity-free Convolutional Temporal Point Process: Incorporating Local and Global Event Contexts [30.534921874640585]
  本稿では、連続時間畳み込みイベントエンコーダとRNNを統合することにより、ローカルコンテキストとグローバルコンテキストを組み合わせた新しいTPPモデリング手法を提案する。 提示されたフレームワークは柔軟でスケーラブルで、長いシーケンスと複雑な潜伏パターンを持つ大きなデータセットを扱うことができる。 我々の知る限りでは、これはTPPモデリングに畳み込みニューラルネットワークを適用する最初の研究である。
  論文  参考訳（メタデータ） (2023-06-24T22:57:40Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Exemplar-bsaed Pattern Synthesis with Implicit Periodic Field Network [21.432274505770394]
  本稿では、視覚パターンの内部統計をモデル化し、新しい多目的パターンを生成することを目的とした、模範に基づく視覚パターン合成フレームワークを提案する。 GAN(Generative Adversarial Network)と周期符号化に基づく暗黙ネットワークにより,我々のネットワークをIPFN(Implicit Periodic Network)と呼ぶ。
  論文  参考訳（メタデータ） (2022-04-04T17:36:16Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• TeraPipe: Token-Level Pipeline Parallelism for Training Large-Scale Language Models [60.23234205219347]
  TeraPipeは、Transformerベースの言語モデルの同期モデル並列トレーニングのための高性能トークンレベルのパイプライン並列アルゴリズムです。 TeraPipeは、AWSクラスタ上で1750億のパラメータを持つ最大のGPT-3モデルのトレーニングを5.0倍高速化できることを示す。
  論文  参考訳（メタデータ） (2021-02-16T07:34:32Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)

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。