Fugu-MT 論文翻訳(概要): Neural Temporal Point Processes: A Review

論文の概要: Neural Temporal Point Processes: A Review

arxiv url: http://arxiv.org/abs/2104.03528v1
Date: Thu, 8 Apr 2021 06:10:50 GMT
ステータス: 処理完了
システム内更新日: 2021-04-09 12:59:10.456463
Title: Neural Temporal Point Processes: A Review
Title（参考訳）: Neural Temporal Point Processs: レビュー
Authors: Oleksandr Shchur, Ali Caner T\"urkmen, Tim Januschowski, Stephan G\"unnemann
Abstract要約: 時間点過程 (TPP) は連続時間事象列の確率的生成モデルである。ニューラルTPPは、ポイントプロセスの文献とディープラーニングのアプローチの基本的な考え方を組み合わせる。
参考スコア（独自算出の注目度）: 25.969319777457606
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Temporal point processes (TPP) are probabilistic generative models for continuous-time event sequences. Neural TPPs combine the fundamental ideas from point process literature with deep learning approaches, thus enabling construction of flexible and efficient models. The topic of neural TPPs has attracted significant attention in the recent years, leading to the development of numerous new architectures and applications for this class of models. In this review paper we aim to consolidate the existing body of knowledge on neural TPPs. Specifically, we focus on important design choices and general principles for defining neural TPP models. Next, we provide an overview of application areas commonly considered in the literature. We conclude this survey with the list of open challenges and important directions for future work in the field of neural TPPs.
Abstract（参考訳）: 時間点過程(TPP)は連続時間事象列の確率的生成モデルである。ニューラルTPPは、ポイントプロセス文学の基本概念とディープラーニングアプローチを組み合わせることで、柔軟で効率的なモデルの構築を可能にする。ニューラルTPPの話題は近年大きな注目を集めており、このクラスのモデルに多くの新しいアーキテクチャや応用が開発されている。本稿では,ニューラルTPPに関する既存の知識体系を統合することを目的とする。具体的には、ニューラルTPPモデルを定義するための重要な設計選択と一般的な原則に焦点を当てる。次に,文献に共通する適用領域の概要について述べる。本稿では,ニューラルTPPの分野における今後の課題の一覧と今後の研究の方向性について述べる。

関連論文リスト

TPP-Gaze: Modelling Gaze Dynamics in Space and Time with Neural Temporal Point Processes [63.95928298690001]
ニューラル・テンポラル・ポイント・プロセス(TPP)に基づく新規かつ原則化されたスキャンパスダイナミクスのアプローチであるTPP-Gazeを提案する。提案手法は,最先端手法と比較して総合的に優れた性能を示す。
論文参考訳（メタデータ） (2024-10-30T19:22:38Z)
Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
On Non-asymptotic Theory of Recurrent Neural Networks in Temporal Point Processes [10.4442505961159]
時間的ポイントプロセス(TPP)は、様々な領域にわたる不規則な時間的イベントをモデル化し、予測するための重要なツールである。最近のニューラルネットワーク(RNN)ベースのTPPは、従来のパラメトリックTPPモデルよりも実用的な優位性を示している。本稿では,よく知られたTPP設定の下で,RNN-TPPの過剰なリスク境界を確立する。
論文参考訳（メタデータ） (2024-06-02T06:19:25Z)
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)
On the Predictive Accuracy of Neural Temporal Point Process Models for Continuous-time Event Data [3.13468877208035]
時間的ポイントプロセス(TPP)は、非同期イベントシーケンスを連続的にモデル化するための標準的な数学的フレームワークとして機能する。ニューラルネットワークのパラメトリゼーションを活用し、より柔軟で効率的なモデリングを提供するNeural TPPを提案する。本研究では,最先端のニューラルTPPモデルの予測精度を系統的に評価する。
論文参考訳（メタデータ） (2023-06-29T16:14:43Z)
Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文参考訳（メタデータ） (2023-01-30T12:38:31Z)
Meta Temporal Point Processes [13.525125302111844]
時間点過程 (TPP) は、その実現が時間内の離散事象の連続である過程である。 TPPにおける最近の研究は、教師付き学習フレームワークにおけるニューラルネットワークを用いたプロセスをモデル化している。我々は,各シーケンスを異なるタスクとして扱うメタ学習フレームワークにおいて,TPPを訓練することを提案する。
論文参考訳（メタデータ） (2023-01-27T23:21:07Z)
Modeling Time-Series and Spatial Data for Recommendations and Other Applications [1.713291434132985]
我々は,CTESデータの品質が低いために発生する可能性のある問題をレコメンデーションシステムに入力する。 CTESデータの質を向上させるため、時間的シーケンスにおける欠落イベントを克服する根本的な問題に対処する。我々は、大規模CTES検索と人間の活動予測のためのソリューションの設計にそれらの能力を拡張した。
論文参考訳（メタデータ） (2022-12-25T09:34:15Z)
DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文参考訳（メタデータ） (2021-12-08T13:07:21Z)
Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
論文参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。