論文の概要: Neural Spectral Marked Point Processes
- arxiv url: http://arxiv.org/abs/2106.10773v1
- Date: Sun, 20 Jun 2021 23:00:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-22 15:52:12.907682
- Title: Neural Spectral Marked Point Processes
- Title(参考訳): 神経スペクトルマーク点過程
- Authors: Shixiang Zhu and Haoyun Wang and Xiuyuan Cheng and Yao Xie
- Abstract要約: 本稿では、複雑な離散イベントを扱うための、ニューラルネットワークに基づく新規で汎用的な非定常影響カーネルを提案する。
提案手法は, 合成および実データにおける最先端技術と比較して, 優れた性能を示す。
- 参考スコア(独自算出の注目度): 18.507050473968985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self- and mutually-exciting point processes are popular models in machine
learning and statistics for dependent discrete event data. To date, most
existing models assume stationary kernels (including the classical Hawkes
processes) and simple parametric models. Modern applications with complex event
data require more general point process models that can incorporate contextual
information of the events, called marks, besides the temporal and location
information. Moreover, such applications often require non-stationary models to
capture more complex spatio-temporal dependence. To tackle these challenges, a
key question is to devise a versatile influence kernel in the point process
model. In this paper, we introduce a novel and general neural network-based
non-stationary influence kernel with high expressiveness for handling complex
discrete events data while providing theoretical performance guarantees. We
demonstrate the superior performance of our proposed method compared with the
state-of-the-art on synthetic and real data.
- Abstract(参考訳): 自己と相互に引き出すポイントプロセスは、依存する離散イベントデータに対する機械学習や統計学で一般的なモデルである。
現在まで、ほとんどの既存モデルは静止核(古典的ホークス過程を含む)と単純なパラメトリックモデルを仮定している。
複雑なイベントデータを持つ現代のアプリケーションは、時間的および位置的情報に加えて、マークと呼ばれるイベントのコンテキスト情報を含む、より一般的なポイントプロセスモデルを必要とする。
さらに、そのようなアプリケーションはより複雑な時空間依存を捉えるために非定常モデルを必要とすることが多い。
これらの課題に対処するためには、ポイントプロセスモデルに汎用的な影響カーネルを考案することが重要な課題である。
本稿では,複雑な離散イベントデータを扱うための表現性が高く,理論的な性能保証を提供しながら,ニューラルネットワークベースの非定常影響カーネルを提案する。
提案手法は, 合成および実データにおける最先端技術と比較して, 優れた性能を示す。
関連論文リスト
- Deep graph kernel point processes [19.382241594513374]
本稿では,グラフ上の離散的なイベントデータに対する新たなポイントプロセスモデルを提案する。
キーとなるアイデアは、グラフニューラルネットワーク(GNN)による影響カーネルを表現して、基盤となるグラフ構造をキャプチャすることだ。
ニューラルネットワークを用いた条件強度関数を直接モデル化することに焦点を当てた以前の研究と比較して、カーネルのプレゼンテーションでは、繰り返し発生する事象の影響パターンをより効果的に表現している。
論文 参考訳(メタデータ) (2023-06-20T06:15:19Z) - Continuous-time convolutions model of event sequences [53.36665135225617]
イベントシーケンスデータの巨大なサンプルは、eコマース、ヘルスケア、ファイナンスなど、さまざまなドメインで発生します。
利用可能なデータの量とクライアント毎のイベントシーケンスの長さは典型的には大きいため、長期的なモデリングが必要である。
時間内の事象の一様発生に適した連続畳み込みニューラルネットワークに基づくCOTIC法を提案する。
論文 参考訳(メタデータ) (2023-02-13T10:34:51Z) - Spatio-temporal point processes with deep non-stationary kernels [18.10670233156497]
我々は、非定常時間点過程をモデル化できる新しいディープ非定常影響カーネルを開発した。
主な考え方は、影響核を新しい一般的な低ランク分解と近似することである。
また,ログバリアペナルティを導入して条件強度の非負性制約を維持するための新たなアプローチも採っている。
論文 参考訳(メタデータ) (2022-11-21T04:49:39Z) - 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) - Flexible Triggering Kernels for Hawkes Process Modeling [11.90725359131405]
近年、ホークスプロセスのモデリングのためのエンコーダ・デコーダ構造は、トランスフォーマーにインスパイアされたアーキテクチャを用いている。
複雑な(多層化)アテンション構造をトリガーカーネルに置き換えることで、歴史的イベントシーケンスの効率的で汎用的なエンコーディングを導入する。
論文 参考訳(メタデータ) (2022-02-03T22:02:22Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - 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) - Deep Fourier Kernel for Self-Attentive Point Processes [16.63706478353667]
本稿では、複雑な非線形時間依存構造を捉えるために、離散イベントデータに対する注目に基づく新しいモデルを提案する。
本稿では,ニューラルネットワークを用いてスペクトルを表現したFourierカーネル埋め込みを用いた新しいスコア関数を提案する。
我々は、我々のアプローチの理論的特性を確立し、我々のアプローチの競争性能を、合成および実データのための最先端技術と比較して実証する。
論文 参考訳(メタデータ) (2020-02-17T22:25:40Z)
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。