論文の概要: Linking Across Data Granularity: Fitting Multivariate Hawkes Processes
to Partially Interval-Censored Data
- arxiv url: http://arxiv.org/abs/2111.02062v3
- Date: Thu, 5 Oct 2023 04:55:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 23:46:42.854311
- Title: Linking Across Data Granularity: Fitting Multivariate Hawkes Processes
to Partially Interval-Censored Data
- Title(参考訳): データの粒度をまたぐリンク:多変量ホークプロセスと部分的間隔補正データ
- Authors: Pio Calderon, Alexander Soen, Marian-Andrei Rizoiu
- Abstract要約: 特定の応用において、ある次元における個々の事象のタイムスタンプは観測不可能である。
本稿では,パラメータ等価性をMPPと共有する新しい点過程であるPMBP(Partial Mean Behavior Poisson)プロセスを紹介する。
合成および実世界のデータセットを用いたPMBPプロセスの能力を実証する。
- 参考スコア(独自算出の注目度): 55.31692043677966
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The multivariate Hawkes process (MHP) is widely used for analyzing data
streams that interact with each other, where events generate new events within
their own dimension (via self-excitation) or across different dimensions (via
cross-excitation). However, in certain applications, the timestamps of
individual events in some dimensions are unobservable, and only event counts
within intervals are known, referred to as partially interval-censored data.
The MHP is unsuitable for handling such data since its estimation requires
event timestamps. In this study, we introduce the Partial Mean Behavior Poisson
(PMBP) process, a novel point process which shares parameter equivalence with
the MHP and can effectively model both timestamped and interval-censored data.
We demonstrate the capabilities of the PMBP process using synthetic and
real-world datasets. Firstly, we illustrate that the PMBP process can
approximate MHP parameters and recover the spectral radius using synthetic
event histories. Next, we assess the performance of the PMBP process in
predicting YouTube popularity and find that it surpasses state-of-the-art
methods. Lastly, we leverage the PMBP process to gain qualitative insights from
a dataset comprising daily COVID-19 case counts from multiple countries and
COVID-19-related news articles. By clustering the PMBP-modeled countries, we
unveil hidden interaction patterns between occurrences of COVID-19 cases and
news reporting.
- Abstract(参考訳): 多変量ホークスプロセス (multivariate hawkes process, mhp) は、互いに相互作用するデータストリームの分析に広く用いられ、そこではイベントが自身の次元内で(自励を通じて)新しいイベントを生成する。
しかし、特定の応用において、ある次元における個々の事象のタイムスタンプは観測不能であり、区間内の事象カウントのみが知られている。
MHPは、その推定にはイベントタイムスタンプを必要とするため、そのようなデータを扱うには適していない。
本研究では,mhpとパラメータ等価性を共有し,タイムスタンプデータと区間検閲データの両方を効果的にモデル化できる新しい点法である部分平均行動ポアソン法(pmbp法)を提案する。
合成および実世界のデータセットを用いたPMBPプロセスの能力を実証する。
まず,PMBPプロセスがMHPパラメータを近似し,合成事象履歴を用いてスペクトル半径を復元できることを示す。
次に、PMBPプロセスがYouTubeの人気を予測し、最先端の手法を超越していることを示す。
最後に、PMBPプロセスを利用して、複数の国から毎日の新型コロナウイルス感染者数と、その関連ニュース記事からなるデータセットから質的な洞察を得る。
PMBPをモデルとした国をクラスタ化することで、COVID-19の発生とニュースレポートとの間に隠れた相互作用パターンを明らかにする。
関連論文リスト
- Interacting Diffusion Processes for Event Sequence Forecasting [22.905775236041645]
拡散生成モデルを組み込んだ新しい手法を提案する。
このモデルはシーケンス・ツー・シーケンスの予測を容易にし、過去のイベント・シーケンスに基づいた複数ステップの予測を可能にする。
提案手法は,TPPの長期予測において,最先端のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-26T22:17:25Z) - Deep Representation Learning for Prediction of Temporal Event Sets in
the Continuous Time Domain [9.71405768795797]
時間的ポイントプロセスは、イベントの予測や予測において重要な役割を果たす。
この問題を解決するために,TPPをベースとしたスケーラブルで効率的な手法を提案する。
論文 参考訳(メタデータ) (2023-09-29T06:46:31Z) - 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) - Modeling Continuous Time Sequences with Intermittent Observations using
Marked Temporal Point Processes [25.074394338483575]
人間の活動を通じて生成された大量のデータは、連続した時間のイベントのシーケンスとして表現することができる。
これらの連続的なイベントシーケンスに対するディープラーニングモデルは、非自明なタスクである。
本研究では,イベントシーケンスが欠落している場合にMTPPを学習するための新しい教師なしモデルと推論手法を提案する。
論文 参考訳(メタデータ) (2022-06-23T18:23:20Z) - Interval-censored Hawkes processes [82.87738318505582]
本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。
我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
論文 参考訳(メタデータ) (2021-04-16T07:29:04Z) - Spatio-Temporal Action Detection with Multi-Object Interaction [127.85524354900494]
本稿では,多目的インタラクションを用いたS時間動作検出問題について検討する。
マルチオブジェクトインタラクションを含むアクションチューブに空間的アノテーションを付加した新しいデータセットを提案する。
本研究では,空間的・時間的回帰を同時に行うエンド・ツー・エンドの時間的行動検出モデルを提案する。
論文 参考訳(メタデータ) (2020-04-01T00:54:56Z) - 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)
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。