論文の概要: Spatio-temporal Sequence Prediction with Point Processes and Self-organizing Decision Trees

• arxiv url: http://arxiv.org/abs/2006.14426v2
• Date: Mon, 15 Mar 2021 19:36:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 03:12:42.112617
• Title: Spatio-temporal Sequence Prediction with Point Processes and Self-organizing Decision Trees
• Title（参考訳）: 点過程と自己組織化決定木を用いた時空間系列予測
• Authors: Oguzhan Karaahmetoglu (1 and 2) and Suleyman S. Kozat (1 and 2) ((1) Bilkent University (2) Databoss A.S.)
• Abstract要約: 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。
• 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 and introduce a novel point-process-based prediction algorithm. Spatio-temporal prediction is extensively studied in Machine Learning literature due to its critical real-life applications such as crime, earthquake, and social event prediction. Despite these thorough studies, specific problems inherent to the application domain are not yet fully explored. Here, we address the non-stationary spatio-temporal prediction problem on both densely and sparsely distributed sequences. We introduce a probabilistic approach that partitions the spatial domain into subregions and models the event arrivals in each region with interacting point-processes. Our algorithm can jointly learn the spatial partitioning and the interaction between these regions through a gradient-based optimization procedure. Finally, we demonstrate the performance of our algorithm on both simulated data and two real-life datasets. We compare our approach with baseline and state-of-the-art deep learning-based approaches, where we achieve significant performance improvements. Moreover, we also show the effect of using different parameters on the overall performance through empirical results and explain the procedure for choosing the parameters.
• Abstract（参考訳）: 時空間予測問題を研究し,新しい点過程に基づく予測アルゴリズムを提案する。 時空間予測は、犯罪、地震、社会イベント予測といった重要な現実の応用のために機械学習文学において広く研究されている。 これらの徹底的な研究にもかかわらず、アプリケーションドメイン固有の特定の問題は、まだ完全には研究されていない。 本稿では,非定常時空間予測問題を,密分布と疎分布の両方で解決する。 我々は,空間領域を部分領域に分割する確率論的アプローチを導入し,相互作用するポイントプロセスを用いて各領域のイベント到着をモデル化する。 本アルゴリズムは,勾配に基づく最適化手法により,空間分割とこれらの領域間の相互作用を共同で学習することができる。 最後に、シミュレーションデータと2つの実生活データセット上でのアルゴリズムの性能を示す。 当社のアプローチをベースラインと最先端のディープラーニングベースのアプローチと比較することで,大幅なパフォーマンス向上を実現しています。 さらに,実験結果を通じて,異なるパラメータが全体の性能に与える影響についても説明し,パラメータの選択手順を説明する。

関連論文リスト

• Markov Decision Processes with Noisy State Observation [0.0]
  本稿では,マルコフ決定過程(MDP)における特定のノイズ状態観測の課題について述べる。 我々は、真の状態を誤認する確率を捉える混乱行列を用いて、この不確実性をモデル化することに集中する。 そこで本研究では,本研究で提案する2つの提案手法について述べる。
  論文  参考訳（メタデータ） (2023-12-13T21:50:38Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Uncovering Regions of Maximum Dissimilarity on Random Process Data [0.0]
  本稿では,二つのプロセスの限界特性があまり似ていない領域について,あるボリュームの領域について学習する手法を提案する。 提案手法は,関心データ自体がプロセスであるような設定に対して,完全な汎用性で考案される。 我々は、犯罪学、金融学、医学のケーススタディでそれらの応用を紹介した。
  論文  参考訳（メタデータ） (2022-09-12T19:44:49Z)
• Memetic algorithms for Spatial Partitioning problems [26.73720392872553]
  本稿では,実世界のデータセットにおける空間分割という,特定のタイプのSOPに焦点を当てる。 我々は,Swarm-based spatial memetic algorithm (SPATIAL) と呼ばれる単純だが効果的なアルゴリズムを提案し,それを校内限定問題(restricting problem)で検証した。
  論文  参考訳（メタデータ） (2022-08-04T20:05:46Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• 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)
• Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
  検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。 また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-04-17T20:21:47Z)
• 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)
• Prediction with Spatio-temporal Point Processes with Self Organizing Decision Trees [0.0]
  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。
  論文  参考訳（メタデータ） (2020-03-07T20:39:31Z)

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。