論文の概要: Survey on Modeling Intensity Function of Hawkes Process Using Neural Models

• arxiv url: http://arxiv.org/abs/2104.11092v1
• Date: Thu, 22 Apr 2021 14:23:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 17:41:59.231897
• Title: Survey on Modeling Intensity Function of Hawkes Process Using Neural Models
• Title（参考訳）: ニューラルモデルを用いたホークスプロセスのモデリング強度関数の検討
• Authors: Jayesh Malaviya
• Abstract要約: ホークス過程は、時系列離散事象のモデリングに用いられる数学的ツールである。 本稿では,カーネル関数のモデル化に新たな深層学習手法を用いた最近の進歩について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The event sequence of many diverse systems is represented as a sequence of discrete events in a continuous space. Examples of such an event sequence are earthquake aftershock events, financial transactions, e-commerce transactions, social network activity of a user, and the user's web search pattern. Finding such an intricate pattern helps discover which event will occur in the future and when it will occur. A Hawkes process is a mathematical tool used for modeling such time series discrete events. Traditionally, the Hawkes process uses a critical component for modeling data as an intensity function with a parameterized kernel function. The Hawkes process's intensity function involves two components: the background intensity and the effect of events' history. However, such parameterized assumption can not capture future event characteristics using past events data precisely due to bias in modeling kernel function. This paper explores the recent advancement using novel deep learning-based methods to model kernel function to remove such parametrized kernel function. In the end, we will give potential future research directions to improve modeling using the Hawkes process.
• Abstract（参考訳）: 多くの多様なシステムの事象列は連続空間における離散事象の列として表される。 このようなイベントシーケンスの例としては、地震後のイベント、金融取引、eコマース取引、ユーザのソーシャルネットワーク活動、ユーザのweb検索パターンなどがある。 このような複雑なパターンを見つけることは、将来どのイベントが起こるのか、いつ起こるのかを発見するのに役立つ。 ホークス過程(英: Hawkes process)は、時系列離散イベントをモデル化するための数学的ツールである。 伝統的に、ホークスプロセスはパラメータ化されたカーネル関数を持つ強度関数としてデータをモデリングするために重要なコンポーネントを使用する。 ホークス過程の強度関数は、背景強度と事象の履歴の影響の2つの要素を含む。 しかし、そのようなパラメータ化された仮定は、モデリングカーネル関数のバイアスにより、過去のイベントデータを使って将来のイベント特性を正確に捉えることはできない。 本稿では,カーネル関数をモデル化してパラメータ化されたカーネル関数を除去する,新しい深層学習手法を用いた最近の進歩について述べる。 最後に、ホークスプロセスを用いたモデリングを改善するために、将来の研究の方向性を示す。

関連論文リスト

• Continuous-time convolutions model of event sequences [46.3471121117337]
  イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。 我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
  論文  参考訳（メタデータ） (2023-02-13T10:34:51Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• 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)
• 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)
• Dynamic Hawkes Processes for Discovering Time-evolving Communities' States behind Diffusion Processes [57.22860407362061]
  拡散プロセスの背後にあるコミュニティ状態の基盤となるダイナミクスを捉えることができる新しいホークスプロセスモデルを提案する。 提案手法はDHPと呼ばれ、時間発展するコミュニティの状態の複雑な表現を学習するための柔軟な方法を提供する。
  論文  参考訳（メタデータ） (2021-05-24T08:35:48Z)
• Hawkes Processes on Graphons [85.6759041284472]
  我々は、グランガー因果グラフに関連するホークス過程とその変種について研究する。 対応するホークスプロセスを生成し、イベントシーケンスをシミュレートすることができる。 生成した事象列と観測された事象列との間の階層的最適輸送距離を最小化することにより,提案モデルを学習する。
  論文  参考訳（メタデータ） (2021-02-04T17:09:50Z)
• UNIPoint: Universally Approximating Point Processes Intensities [125.08205865536577]
  学習可能な関数のクラスが任意の有効な強度関数を普遍的に近似できることを示す。 ニューラルポイントプロセスモデルであるUNIPointを実装し,各イベントの基底関数の和をパラメータ化するために,リカレントニューラルネットワークを用いた。
  論文  参考訳（メタデータ） (2020-07-28T09:31:56Z)
• Graph Hawkes Neural Network for Forecasting on Temporal Knowledge Graphs [38.56057203198837]
  ホークスプロセスは、異なるイベントタイプで自己励起イベントシーケンスをモデリングする標準的な方法となっている。 本稿では,進化するグラフ列のダイナミクスを捉えることができるグラフホークスニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-30T12:56:50Z)
• 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)
• 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。