論文の概要: Neural Datalog Through Time: Informed Temporal Modeling via Logical Specification

• arxiv url: http://arxiv.org/abs/2006.16723v2
• Date: Mon, 17 Aug 2020 02:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 04:37:30.490744
• Title: Neural Datalog Through Time: Informed Temporal Modeling via Logical Specification
• Title（参考訳）: 時間によるニューラルデータログ:論理仕様による情報時間モデリング
• Authors: Hongyuan Mei and Guanghui Qin and Minjie Xu and Jason Eisner
• Abstract要約: 制限のないニューラルネットワークのトレーニングは、刺激的なパターンに過度に適合する可能性がある。 時間とともに構造化された事実を追跡するために時間的推論データベースを提案する。 合成ドメインと実世界のドメインの両方において、簡潔なデータログプログラムから派生したニューラル確率モデルが予測を改善することを示す。
• 参考スコア（独自算出の注目度）: 30.398163018363043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning how to predict future events from patterns of past events is difficult when the set of possible event types is large. Training an unrestricted neural model might overfit to spurious patterns. To exploit domain-specific knowledge of how past events might affect an event's present probability, we propose using a temporal deductive database to track structured facts over time. Rules serve to prove facts from other facts and from past events. Each fact has a time-varying state---a vector computed by a neural net whose topology is determined by the fact's provenance, including its experience of past events. The possible event types at any time are given by special facts, whose probabilities are neurally modeled alongside their states. In both synthetic and real-world domains, we show that neural probabilistic models derived from concise Datalog programs improve prediction by encoding appropriate domain knowledge in their architecture.
• Abstract（参考訳）: 可能なイベントタイプのセットが大きい場合、過去のイベントパターンから将来のイベントを予測する方法を学ぶのは難しい。 制限のないニューラルモデルのトレーニングは、スプリアスパターンに過剰に適合する可能性がある。 過去の出来事がイベントの現在の確率にどのように影響するかというドメイン固有の知識を活用するために、時間とともに構造化された事実を追跡するために時間的推論データベースを提案する。 ルールは他の事実や過去の出来事から事実を証明するのに役立つ。 それぞれの事象には時間変化のある状態がある - トポロジが事実の証明によって決定されるニューラルネットによって計算されるベクトルで、過去の出来事の経験を含む。 可能なイベントの型は特別な事実によって与えられ、その確率はその状態とともに神経的にモデル化される。 合成ドメインと実世界のドメインの両方において、簡潔なデータログプログラムから派生したニューラル確率モデルは、アーキテクチャにおいて適切なドメイン知識を符号化することで予測を改善することを示す。

関連論文リスト

• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• Mitigating Temporal Misalignment by Discarding Outdated Facts [58.620269228776294]
  大規模な言語モデルは、しばしば時間的ミスアライメントの下で使われ、現在に関する質問に答える。 我々は、ある事実がいつまで真実であるかを予測するタスクとして、事実期間予測を提案する。 私たちのデータとコードはhttps://github.com/mikejqzhang/mitigating_misalignment.comで公開されています。
  論文  参考訳（メタデータ） (2023-05-24T07:30:08Z)
• 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)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• Neural multi-event forecasting on spatio-temporal point processes using probabilistically enriched transformers [18.66217537327045]
  時間と空間における離散的な事象の予測には、危険地震の予測や感染症の発生など、多くの科学的応用がある。 本アーキテクチャでは,正規化フローと層を付加した時間的点過程のニューラルマルチイベント予測を提案する。 我々のネットワークは、複雑な未来の離散イベントのバッチ予測を行い、様々なベンチマークデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-11-05T14:55:36Z)
• 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)
• 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)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Neural Conditional Event Time Models [11.920908437656413]
  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。
  論文  参考訳（メタデータ） (2020-04-03T05:08:13Z)
• 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。