論文の概要: A Deep Adversarial Model for Suffix and Remaining Time Prediction of Event Sequences

• arxiv url: http://arxiv.org/abs/2102.07298v1
• Date: Mon, 15 Feb 2021 02:01:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 16:08:16.553190
• Title: A Deep Adversarial Model for Suffix and Remaining Time Prediction of Event Sequences
• Title（参考訳）: イベントシーケンスの接尾辞と残存時間予測のためのディープ・アドバーサリーモデル
• Authors: Farbod Taymouri, Marcello La Rosa, Sarah M. Erfani
• Abstract要約: イベント接尾辞と残時間予測はシーケンス学習タスクにシーケンスされる。 このような予測のための最近のディープラーニングベースの作業は、大きな予測エラーになりやすい。 本稿では、イベントシーケンスの接尾辞と残りの時間予測を促進するために、オープンループトレーニング用のエンコーダデコーダアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 12.200302768200503
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Event suffix and remaining time prediction are sequence to sequence learning tasks. They have wide applications in different areas such as economics, digital health, business process management and IT infrastructure monitoring. Timestamped event sequences contain ordered events which carry at least two attributes: the event's label and its timestamp. Suffix and remaining time prediction are about obtaining the most likely continuation of event labels and the remaining time until the sequence finishes, respectively. Recent deep learning-based works for such predictions are prone to potentially large prediction errors because of closed-loop training (i.e., the next event is conditioned on the ground truth of previous events) and open-loop inference (i.e., the next event is conditioned on previously predicted events). In this work, we propose an encoder-decoder architecture for open-loop training to advance the suffix and remaining time prediction of event sequences. To capture the joint temporal dynamics of events, we harness the power of adversarial learning techniques to boost prediction performance. We consider four real-life datasets and three baselines in our experiments. The results show improvements up to four times compared to the state of the art in suffix and remaining time prediction of event sequences, specifically in the realm of business process executions. We also show that the obtained improvements of adversarial training are superior compared to standard training under the same experimental setup.
• Abstract（参考訳）: イベント接尾辞と残時間予測はシーケンス学習タスクにシーケンスされる。 彼らは、経済学、デジタルヘルス、ビジネスプロセス管理、ITインフラストラクチャ監視など、さまざまな分野で幅広いアプリケーションを持っています。 タイムスタンプのイベントシーケンスには、イベントラベルとタイムスタンプの2つの属性を含む順序付きイベントが含まれている。 サフィックスと残り時間の予測は、イベントラベルの最も可能性の高い継続と、シーケンスが終了するまでの残り時間を取得することである。 このような予測のための最近のディープラーニングベースの研究は、閉ループトレーニング(すなわち、次のイベントは以前のイベントの真理に基づいて調整される)とオープンループ推論(すなわち、次のイベントは以前に予測されたイベントで調整される)のために、大きな予測エラーになりやすい。 本研究では、イベントシーケンスの接尾辞と残りの時間予測を促進するために、オープンループトレーニング用のエンコーダデコーダアーキテクチャを提案する。 事象の同時時間的ダイナミクスを捉えるために,逆学習手法の力を利用して予測性能を向上させる。 実験では,4つの実生活データセットと3つのベースラインを検討する。 その結果、サフィックスにおける技術の現状と、特にビジネスプロセス実行の領域におけるイベントシーケンスの残りの時間予測と比較して、最大4倍の改善が示されている。 また, 対人訓練の改善は, 同じ実験環境下での標準訓練よりも優れていることを示した。

関連論文リスト

• OpenEP: Open-Ended Future Event Prediction [57.63525290892786]
  我々はOpenEP(Open-Ended Future Event Prediction Task)を導入し、現実のシナリオに合わせたフレキシブルで多様な予測を生成する。 質問構築には、場所、時間、イベント開発、イベント結果、イベント影響、イベント応答など、7つの視点から質問する。 結果構築のために,結果を含む自由形式のテキストを基礎的真理として収集し,意味論的に完全かつ詳細に富んだ結果を提供する。
  論文  参考訳（メタデータ） (2024-08-13T02:35:54Z)
• 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)
• Pretext Training Algorithms for Event Sequence Data [29.70078362944441]
  本稿では,イベントシーケンスデータに適した自己教師付き事前テキスト学習フレームワークを提案する。 私たちのプレテキストタスクは、さまざまなダウンストリームタスクで一般化可能な基礎表現をアンロックします。
  論文  参考訳（メタデータ） (2024-02-16T01:25:21Z)
• Non-Autoregressive Diffusion-based Temporal Point Processes for Continuous-Time Long-Term Event Prediction [8.88485011274486]
  本研究では,長期イベント予測のための拡散に基づく非自己回帰時間プロセスモデルを提案する。 事象列上で拡散過程を実行するために,対象事象列とユークリッドベクトル空間の間の双方向マップを開発する。 連続時間における長期イベント予測における最先端手法よりも提案モデルの方が優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-11-02T06:52:44Z)
• Rich Event Modeling for Script Event Prediction [60.67635412135682]
  スクリプトイベント予測のためのリッチイベント予測(REP)フレームワークを提案する。 REPは、テキストからそのような情報を抽出するイベント抽出器を含む。 予測器の中核となるコンポーネントは、任意の数の引数を柔軟に扱う変換器ベースのイベントエンコーダである。
  論文  参考訳（メタデータ） (2022-12-16T05:17:59Z)
• 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)
• HyperHawkes: Hypernetwork based Neural Temporal Point Process [5.607676459156789]
  時間的ポイントプロセスは、連続した時間空間における時間間データのモデリングに不可欠なツールとして機能する。 動的環境における見えないシーケンスから事象を予測することは一般化できない。 ハイパーネットワークベースの時間的ポイントプロセスフレームワークである textitHyperHawkes を提案する。
  論文  参考訳（メタデータ） (2022-10-01T07:14:19Z)
• Temporally Correlated Task Scheduling for Sequence Learning [143.70523777803723]
  多くのアプリケーションにおいて、シーケンス学習タスクは通常、複数の時間的に相関した補助タスクと関連付けられている。 シーケンス学習に学習可能なスケジューラを導入し、トレーニングのための補助的なタスクを適応的に選択できる。 本手法は,同時翻訳とストックトレンド予測の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-07-10T10:28:54Z)
• 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)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。