論文の概要: Modeling Continuous Time Sequences with Intermittent Observations using
Marked Temporal Point Processes
- arxiv url: http://arxiv.org/abs/2206.12414v1
- Date: Thu, 23 Jun 2022 18:23:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-03 13:41:42.738581
- Title: Modeling Continuous Time Sequences with Intermittent Observations using
Marked Temporal Point Processes
- Title（参考訳）: 瞬時点過程を用いた間欠的観測による連続時系列のモデル化
- Authors: Vinayak Gupta and Srikanta Bedathur and Sourangshu Bhattacharya and
Abir De
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 25.074394338483575
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A large fraction of data generated via human activities such as online
purchases, health records, spatial mobility etc. can be represented as a
sequence of events over a continuous-time. Learning deep learning models over
these continuous-time event sequences is a non-trivial task as it involves
modeling the ever-increasing event timestamps, inter-event time gaps, event
types, and the influences between different events within and across different
sequences. In recent years neural enhancements to marked temporal point
processes (MTPP) have emerged as a powerful framework to model the underlying
generative mechanism of asynchronous events localized in continuous time.
However, most existing models and inference methods in the MTPP framework
consider only the complete observation scenario i.e. the event sequence being
modeled is completely observed with no missing events -- an ideal setting that
is rarely applicable in real-world applications. A recent line of work which
considers missing events while training MTPP utilizes supervised learning
techniques that require additional knowledge of missing or observed label for
each event in a sequence, which further restricts its practicability as in
several scenarios the details of missing events is not known apriori. In this
work, we provide a novel unsupervised model and inference method for learning
MTPP in presence of event sequences with missing events. Specifically, we first
model the generative processes of observed events and missing events using two
MTPP, where the missing events are represented as latent random variables.
Then, we devise an unsupervised training method that jointly learns both the
MTPP by means of variational inference. Such a formulation can effectively
impute the missing data among the observed events and can identify the optimal
position of missing events in a sequence.
- Abstract（参考訳）: オンライン購入、健康記録、空間移動など、人間の活動を通じて生成される大量のデータは、連続した時間の一連の出来事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上でディープラーニングモデルを学ぶことは、継続的に増加するイベントタイムスタンプ、イベント間時間ギャップ、イベントタイプ、および異なるシーケンス内と異なるイベント間の影響をモデル化することを含む、簡単なタスクである。
近年,非同期イベントを連続的に局所的に生成するメカニズムをモデル化するための強力なフレームワークとして,MTPPへのニューラル拡張が出現している。
しかし、mtppフレームワークの既存のモデルや推論メソッドの多くは、完全な観察シナリオのみを考慮する。つまり、モデル化されるイベントシーケンスは、欠落したイベントなしで完全に観察される。
mtppのトレーニング中に欠落したイベントを考察する最近の一連の研究では、シーケンス内の各イベントに対する欠落あるいは観測されたラベルの追加知識を必要とする教師付き学習技術が使用されている。
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。
具体的には、2つのmtppを用いて観測された事象と欠落事象の生成過程をモデル化し、欠落した事象を潜在確率変数として表現した。
そこで,変分推論を用いてMTPPを併用して学習する教師なし学習手法を考案した。
このような定式化は、観測されたイベントのうち欠落したデータを効果的にインプットすることができ、シーケンス内の欠落したイベントの最適な位置を特定することができる。
関連論文リスト
- Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。
イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
論文 参考訳（メタデータ） (2024-03-05T01:46:50Z) - XTSFormer: Cross-Temporal-Scale Transformer for Irregular Time Event
Prediction [9.240950990926796]
イベント予測は、過去のイベントシーケンスに基づいて、将来のイベントの時間とタイプを予測することを目的としている。
その重要性にもかかわらず、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、マルチスケールのイベント相互作用など、いくつかの課題が存在する。
論文 参考訳（メタデータ） (2024-02-03T20:33:39Z) - Enhancing Asynchronous Time Series Forecasting with Contrastive
Relational Inference [21.51753838306655]
時間点プロセス(TPP)は、そのようなモデリングの標準的な方法である。
既存のTPPモデルは、イベントの相互作用を明示的にモデル化する代わりに、将来のイベントの条件分布に焦点を当てており、イベント予測の課題を示唆している。
本稿では,ニューラル推論(NRI)を利用して,観測データから動的パターンを同時に学習しながら,相互作用を推論するグラフを学習する手法を提案する。
論文 参考訳（メタデータ） (2023-09-06T09:47:03Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - HyperHawkes: Hypernetwork based Neural Temporal Point Process [5.607676459156789]
時間的ポイントプロセスは、連続した時間空間における時間間データのモデリングに不可欠なツールとして機能する。
動的環境における見えないシーケンスから事象を予測することは一般化できない。
ハイパーネットワークベースの時間的ポイントプロセスフレームワークである textitHyperHawkes を提案する。
論文 参考訳（メタデータ） (2022-10-01T07:14:19Z) - Unifying Event Detection and Captioning as Sequence Generation via
Pre-Training [53.613265415703815]
本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。
我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
論文 参考訳（メタデータ） (2022-07-18T14:18:13Z) - CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。
実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
論文 参考訳（メタデータ） (2022-05-21T15:30:25Z) - PILED: An Identify-and-Localize Framework for Few-Shot Event Detection [79.66042333016478]
本研究では,事前学習した言語モデルから事象関連知識を引き出すために,クローゼプロンプトを用いた。
型固有のパラメータの数を最小化し、新しい型に対するイベント検出タスクに迅速に適応できるようにします。
論文 参考訳（メタデータ） (2022-02-15T18:01:39Z) - Learning Neural Models for Continuous-Time Sequences [0.0]
連続時間イベントシーケンス(CTES)の特性について検討し、上記の問題を克服するために、堅牢でスケーラブルなニューラルネットワークベースモデルを設計する。
本研究では,MTPPを用いた事象の生成過程をモデル化し,現実世界の幅広い問題に対処する。
論文 参考訳（メタデータ） (2021-11-13T20:39:15Z) - Conditional Generation of Temporally-ordered Event Sequences [29.44608199294757]
本稿では,イベントシーケンスの時間性だけでなく,イベント共起を捉えることができる条件生成モデルを提案する。
この単一モデルは、時間的順序付け、与えられたイベント列をそれらが発生した順序にソートすること、イベントを埋め込むことの両方に対処でき、既存のイベントの時間的順序付けシーケンスに適合する新しいイベントを予測できる。
論文 参考訳（メタデータ） (2020-12-31T18:10:18Z) - 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。