論文の概要: Dynamic Hawkes Processes for Discovering Time-evolving Communities'
States behind Diffusion Processes
- arxiv url: http://arxiv.org/abs/2105.11152v1
- Date: Mon, 24 May 2021 08:35:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 14:52:50.031910
- Title: Dynamic Hawkes Processes for Discovering Time-evolving Communities'
States behind Diffusion Processes
- Title（参考訳）: 拡散過程の背後にある時間進化するコミュニティ状態を発見するための動的ホークスプロセス
- Authors: Maya Okawa, Tomoharu Iwata, Yusuke Tanaka, Hiroyuki Toda, Takeshi
Kurashima, Hisashi Kashima
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 57.22860407362061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequences of events including infectious disease outbreaks, social network
activities, and crimes are ubiquitous and the data on such events carry
essential information about the underlying diffusion processes between
communities (e.g., regions, online user groups). Modeling diffusion processes
and predicting future events are crucial in many applications including
epidemic control, viral marketing, and predictive policing. Hawkes processes
offer a central tool for modeling the diffusion processes, in which the
influence from the past events is described by the triggering kernel. However,
the triggering kernel parameters, which govern how each community is influenced
by the past events, are assumed to be static over time. In the real world, the
diffusion processes depend not only on the influences from the past, but also
the current (time-evolving) states of the communities, e.g., people's awareness
of the disease and people's current interests. In this paper, we propose a
novel Hawkes process model that is able to capture the underlying dynamics of
community states behind the diffusion processes and predict the occurrences of
events based on the dynamics. Specifically, we model the latent dynamic
function that encodes these hidden dynamics by a mixture of neural networks.
Then we design the triggering kernel using the latent dynamic function and its
integral. The proposed method, termed DHP (Dynamic Hawkes Processes), offers a
flexible way to learn complex representations of the time-evolving communities'
states, while at the same time it allows to computing the exact likelihood,
which makes parameter learning tractable. Extensive experiments on four
real-world event datasets show that DHP outperforms five widely adopted methods
for event prediction.
- Abstract（参考訳）: 感染症の発生、社会ネットワーク活動、犯罪などのイベントのシーケンスはユビキタスであり、そのようなイベントに関するデータは、コミュニティ(例えば地域、オンラインユーザグループ)間の基盤となる拡散過程に関する重要な情報を提供する。
拡散過程のモデル化と将来の事象の予測は、流行制御、ウイルスマーケティング、予測ポリシングなど多くのアプリケーションにおいて不可欠である。
ホークスプロセスは拡散過程をモデル化するための中心的なツールを提供する。
しかし、それぞれのコミュニティが過去のイベントの影響を受けやすいように制御するトリガーカーネルパラメータは、時間とともに静的であると仮定される。
現実の世界では、拡散過程は過去の影響だけでなく、人々の病気に対する認識や人々の現在の関心など、地域社会の現在の(時を経る)状態にも依存する。
本稿では,拡散過程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,そのダイナミクスに基づいて事象の発生を予測できる,新しいホークス過程モデルを提案する。
具体的には、ニューラルネットワークの混合によってこれらの隠れたダイナミクスを符号化する潜在動的関数をモデル化する。
次に、潜在動的関数とその積分を用いてトリガーカーネルを設計する。
提案手法はDHP(Dynamic Hawkes Processes)と呼ばれ、時間進化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。
4つの実世界のイベントデータセットに対する大規模な実験により、DHPは5つの広く採用されているイベント予測方法より優れていることが示された。
関連論文リスト
- Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。
我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。
この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
論文 参考訳（メタデータ） (2024-06-12T02:34:24Z) - Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent
Dynamical Systems [70.84976977950075]
実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。
本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。
我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
論文 参考訳（メタデータ） (2024-02-29T23:07:07Z) - 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) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Cox-Hawkes: doubly stochastic spatiotemporal Poisson processes [2.6599014990168834]
我々は,推論とクラスタリングの両方が可能な新しいクラスの推論・ホークス・プロセスを開発し,推論を効率的に行う方法を提案する。
我々は、シミュレーションデータの実験において、我々のアプローチの有効性と柔軟性を示し、我々の手法を用いて、米国における報告された犯罪のデータセットの傾向を明らかにする。
論文 参考訳（メタデータ） (2022-10-21T09:47:34Z) - 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) - Survey on Modeling Intensity Function of Hawkes Process Using Neural
Models [0.0]
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。
論文 参考訳（メタデータ） (2021-04-22T14:23:38Z) - 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) - 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)
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。