論文の概要: Neural Point Process for Learning Spatiotemporal Event Dynamics

• arxiv url: http://arxiv.org/abs/2112.06351v1
• Date: Sun, 12 Dec 2021 23:17:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 06:22:51.098355
• Title: Neural Point Process for Learning Spatiotemporal Event Dynamics
• Title（参考訳）: 時空間イベントダイナミクス学習のためのニューラルポイントプロセス
• Authors: Zihao Zhou, Xingyi Yang, Ryan Rossi, Handong Zhao and Rose Yu
• Abstract要約: 本稿では,時間的点過程を統合するディープ・ダイナミクス・モデルを提案する。 提案手法は柔軟で効率的で,不規則にサンプリングされた事象を時間と空間で正確に予測することができる。 実世界のベンチマークでは、我々のモデルは最先端のベースラインよりも優れた性能を示している。
• 参考スコア（独自算出の注目度）: 21.43984242938217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning the dynamics of spatiotemporal events is a fundamental problem. Neural point processes enhance the expressivity of point process models with deep neural networks. However, most existing methods only consider temporal dynamics without spatial modeling. We propose Deep Spatiotemporal Point Process (DeepSTPP), a deep dynamics model that integrates spatiotemporal point processes. Our method is flexible, efficient, and can accurately forecast irregularly sampled events over space and time. The key construction of our approach is the nonparametric space-time intensity function, governed by a latent process. The intensity function enjoys closed-form integration for the density. The latent process captures the uncertainty of the event sequence. We use amortized variational inference to infer the latent process with deep networks. Using synthetic datasets, we validate our model can accurately learn the true intensity function. On real-world benchmark datasets, our model demonstrates superior performance over state-of-the-art baselines.
• Abstract（参考訳）: 時空間事象のダイナミクスを学ぶことは根本的な問題である。 ニューラルポイントプロセスは、ディープニューラルネットワークを用いたポイントプロセスモデルの表現性を高める。 しかし、既存のほとんどの手法は空間モデリングなしで時間力学しか考慮していない。 本稿では,時空間過程を統合した深部力学モデルであるDeep Spatiotemporal Point Process (DeepSTPP)を提案する。 本手法は柔軟で効率的であり,空間的および時間的に不規則にサンプリングされた事象を正確に予測できる。 我々のアプローチの鍵となる構成は非パラメトリックな時空強度関数であり、潜在過程によって支配される。 強度関数は密度に対する閉形式積分を楽しむ。 潜在プロセスは、イベントシーケンスの不確かさをキャプチャする。 我々は,ディープネットワークを用いた潜伏過程を推定するために,償却変分推論を用いる。 合成データセットを用いて、モデルが真の強度関数を正確に学習できることを検証する。 実世界のベンチマークデータセットでは、最先端のベースラインよりも優れたパフォーマンスを示す。

関連論文リスト

• TPP-Gaze: Modelling Gaze Dynamics in Space and Time with Neural Temporal Point Processes [63.95928298690001]
  ニューラル・テンポラル・ポイント・プロセス(TPP)に基づく新規かつ原則化されたスキャンパスダイナミクスのアプローチであるTPP-Gazeを提案する。 提案手法は,最先端手法と比較して総合的に優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-30T19:22:38Z)
• Unlocking Point Processes through Point Set Diffusion [42.96573032954792]
  点拡散に基づく潜在変数モデルである点集合拡散(Point Set Diffusion)を導入する。 提案手法は,距離空間上で定義された複雑な条件付きタスクに対して,効率的な並列サンプリングとフレキシブルな生成を可能にする。
  論文  参考訳（メタデータ） (2024-10-29T19:33:18Z)
• Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
  現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。 そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。 我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
  論文  参考訳（メタデータ） (2024-06-01T09:03:32Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• 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)
• A Temporal Kernel Approach for Deep Learning with Continuous-time Information [18.204325860752768]
  RNN、因果CNN、注意メカニズムなどのシーケンスディープラーニングモデルは、連続時間情報を容易に消費しません。 時間的データの離散化は、単純な連続時間プロセスにおいても不整合を引き起こす。 我々は,ディープラーニングツールを用いた連続時間システムの特徴付け手法を提案する。
  論文  参考訳（メタデータ） (2021-03-28T20:13:53Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• Neural Spatio-Temporal Point Processes [31.474420819149724]
  本稿では,ニューラルODEを計算手法として活用した,点自明なプロセスのための新しいパラメータ化のクラスを提案する。 我々は,地震学,疫学,都市移動性,神経科学など,さまざまな文脈のデータセットを用いて,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2020-11-09T17:28:23Z)
• CaSPR: Learning Canonical Spatiotemporal Point Cloud Representations [72.4716073597902]
  本研究では,動的あるいは動いた物体の標準点クラウド表現を学習する手法を提案する。 本稿では, 形状再構成, カメラポーズ推定, 連続時間列再構成, 対応推定など, 様々な応用における本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-06T17:58:48Z)
• 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)

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。