論文の概要: Multi-output Gaussian Process Modulated Poisson Processes for Event Prediction

• arxiv url: http://arxiv.org/abs/2011.03172v1
• Date: Fri, 6 Nov 2020 03:19:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 04:23:28.063331
• Title: Multi-output Gaussian Process Modulated Poisson Processes for Event Prediction
• Title（参考訳）: イベント予測のための多出力ガウス過程変調ポアソン過程
• Authors: Salman Jahani, Shiyu Zhou, Dharmaraj Veeramani and Jeff Schmidt
• Abstract要約: 非均一なポアソン過程に基づく個人化イベント予測のための非パラメトリック予測フレームワークを提案する。 我々は、MGCP Poissonプロセスモデルにおけるパラメータの学習と推定のための変分推論スキームを導出する。
• 参考スコア（独自算出の注目度）: 5.782827425991284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of events such as part replacement and failure events plays a critical role in reliability engineering. Event stream data are commonly observed in manufacturing and teleservice systems. Designing predictive models for individual units based on such event streams is challenging and an under-explored problem. In this work, we propose a non-parametric prognostic framework for individualized event prediction based on the inhomogeneous Poisson processes with a multivariate Gaussian convolution process (MGCP) prior on the intensity functions. The MGCP prior on the intensity functions of the inhomogeneous Poisson processes maps data from similar historical units to the current unit under study which facilitates sharing of information and allows for analysis of flexible event patterns. To facilitate inference, we derive a variational inference scheme for learning and estimation of parameters in the resulting MGCP modulated Poisson process model. Experimental results are shown on both synthetic data as well as real-world data for fleet based event prediction.
• Abstract（参考訳）: 部品交換や障害イベントなどのイベントの予測は、信頼性エンジニアリングにおいて重要な役割を果たす。 イベントストリームデータは、製造システムやテレサービスシステムで一般的に観測される。 このようなイベントストリームに基づいて個々のユニットの予測モデルを設計するのは困難であり、未検討の問題である。 本研究では,インテンシティ関数に先立って多変量ガウス畳み込みプロセス(mgcp)を用いて,不均一なポアソン過程に基づく個別化事象予測のための非パラメトリック予測フレームワークを提案する。 不均質なポアソン過程の強度関数に先立つmgcpは、同様の歴史的単位から現在の研究単位にデータをマッピングし、情報の共有を促進し、柔軟なイベントパターンの分析を可能にする。 推定を容易にするために、mgcp変調ポアソン過程モデルにおけるパラメータの学習と推定のための変分推論スキームを導出する。 合成データと実世界のデータの両方を用いて,艦隊によるイベント予測実験を行った。

関連論文リスト

• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• 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)
• Boosted Control Functions [10.503777692702952]
  本研究の目的は,因果効果推定と予測タスクのギャップを埋めることである。 我々は,機械学習の分布場と同時方程式モデル,およびエコノメティクスの制御関数との新たな接続を確立する。 このフレームワーク内では、予測モデルに対する不変性の強い概念を提案し、それを既存の(ウィーカー)バージョンと比較する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Deterministic and Bayesian Characterization of Quantum Computing Devices [0.4194295877935867]
  本稿では,超伝導量子デバイスにおける遷移周波数と崩壊時間を推定するためのデータ駆動型特性評価手法を提案する。 データは、第1および第2励起状態間の遷移周波数におけるパリティイベントを含む。 2つのリンドブラディアンモデルの平均解に基づく単純だが効果的な数学的モデルを示し、実験的な観測を正確に捉えた。
  論文  参考訳（メタデータ） (2023-06-23T19:11:41Z)
• DynamoPMU: A Physics Informed Anomaly Detection and Prediction Methodology using non-linear dynamics from $\mu$PMU Measurement Data [0.0]
  我々は、$mu$PMUストリーミングデータの異常を検知し、制御方程式を用いてイベントを同時に予測する物理力学に基づくアプローチを開発した。 提案手法の有効性を,LBNL分布グリッドから得た実際の$mu$PMUデータの解析により実証する。
  論文  参考訳（メタデータ） (2023-03-31T19:32:24Z)
• 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)
• Correcting Model Bias with Sparse Implicit Processes [0.9187159782788579]
  SIP(Sparse Implicit Processes)は,データ生成機構がモデルによって入力されるものと強く異なる場合,モデルバイアスを補正できることを示す。 合成データセットを用いて、SIPは、初期推定モデルの正確な予測よりもデータをよりよく反映する予測分布を提供することができることを示す。
  論文  参考訳（メタデータ） (2022-07-21T18:00:01Z)
• Functional Mixtures-of-Experts [0.24578723416255746]
  観測対象が関数を含む状況下での予測のための異種データの統計的解析について検討する。 まず,機能的ME(FME)と呼ばれる新しいMEモデルのファミリーを提示する。 我々は,モデルに適合する最大パラメータ推定戦略を定式化したLasso-like (EM-Lasso) の専用予測-最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-02-04T17:32:28Z)
• 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)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。