論文の概要: Multi-axis Attentive Prediction for Sparse EventData: An Application to Crime Prediction

• arxiv url: http://arxiv.org/abs/2110.01794v1
• Date: Tue, 5 Oct 2021 02:38:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 14:07:45.689663
• Title: Multi-axis Attentive Prediction for Sparse EventData: An Application to Crime Prediction
• Title（参考訳）: スパースイベントデータのマルチ軸注意予測:犯罪予測への応用
• Authors: Yi Sui, Ga Wu, Scott Sanner
• Abstract要約: 本稿では,2つの観測角度による事象伝播の短期的ダイナミクスと長期的意味論の両方を抽出するための,純粋に注意的なアプローチを提案する。 提案したコントラスト学習目的は,MAPSEDのセマンティクスとイベントのダイナミックスを捉える能力を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 16.654369376687296
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spatiotemporal prediction of event data is a challenging task with a long history of research. While recent work in spatiotemporal prediction has leveraged deep sequential models that substantially improve over classical approaches, these models are prone to overfitting when the observation is extremely sparse, as in the task of crime event prediction. To overcome these sparsity issues, we present Multi-axis Attentive Prediction for Sparse Event Data (MAPSED). We propose a purely attentional approach to extract both short-term dynamics and long-term semantics of event propagation through two observation angles. Unlike existing temporal prediction models that propagate latent information primarily along the temporal dimension, the MAPSED simultaneously operates over all axes (time, 2D space, event type) of the embedded data tensor. We additionally introduce a novel Frobenius norm-based contrastive learning objective to improve latent representational generalization.Empirically, we validate MAPSED on two publicly accessible urban crime datasets for spatiotemporal sparse event prediction, where MAPSED outperforms both classical and state-of-the-art deep learning models. The proposed contrastive learning objective significantly enhances the MAPSED's ability to capture the semantics and dynamics of the events, resulting in better generalization ability to combat sparse observations.
• Abstract（参考訳）: イベントデータの時空間予測は、長い研究の歴史を持つ困難な課題である。 時空間予測における最近の研究は、古典的アプローチよりも大幅に改善された深部連続モデルを活用しているが、これらのモデルは、犯罪事象予測のタスクのように、観察が極めて疎いときに過度に適合する傾向にある。 これらのスパーシティの問題を克服するために、スパースイベントデータ(mapsed)に対する多軸注意予測を提案する。 2つの観察角度を通して事象伝播の短期的ダイナミクスと長期的意味論の両方を抽出するための純粋に注意深いアプローチを提案する。 主に時間次元に沿って潜伏情報を伝播する既存の時間予測モデルとは異なり、MAPSEDは埋め込みデータテンソルのすべての軸(時間、2次元空間、イベントタイプ)を同時に操作する。 さらに,潜在表現一般化を改善するために,新しいフロベニウス規範に基づくコントラスト学習目標を導入する。例えば,公にアクセス可能な2つの都市犯罪データセットの地図を,時空間スパースイベント予測のために検証する。 提案したコントラスト学習の目的は,MAPSEDがイベントの意味やダイナミクスを捉える能力を著しく向上させ,スパース観測に対処する一般化能力を向上させる。

関連論文リスト

• STEMO: Early Spatio-temporal Forecasting with Multi-Objective Reinforcement Learning [11.324029387605888]
  本稿では,多目的強化学習に基づく早期時相予測モデルを提案する。 提案手法は,3つの大規模実世界のデータセットに対して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-06T13:03:51Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• AA-Forecast: Anomaly-Aware Forecast for Extreme Events [25.89754218631525]
  時系列モデルは、現実世界のデータセットでよく見られる極端なイベントや異常を扱うことが多い。 本稿では,これまで見られた異常の影響を利用して予測精度を向上する異常認識予測フレームワークを提案する。 特に、このフレームワークは自動で異常を抽出し、注意機構を通じてそれらを組み込んで、将来の極端な事象の正確性を高める。
  論文  参考訳（メタデータ） (2022-08-21T17:51:46Z)
• Building Autocorrelation-Aware Representations for Fine-Scale Spatiotemporal Prediction [1.2862507359003323]
  本稿では,空間統計理論をニューラルネットワークに組み込んだ新しいディープラーニングアーキテクチャを提案する。 DeepLATTEには、局所的自己相関パターンとグローバルな自己相関傾向の両方を強制する、自己相関誘導半教師付き学習戦略が含まれている。 我々は,DeepLATTEの公開データを用いた実演を行い,健康上の重要なトピックとして,高度に適合した複雑な物理環境下での空気質予測を行った。
  論文  参考訳（メタデータ） (2021-12-10T03:21:19Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)
• 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)
• 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。