論文の概要: Exploring Generative Neural Temporal Point Process

• arxiv url: http://arxiv.org/abs/2208.01874v1
• Date: Wed, 3 Aug 2022 06:56:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-04 14:00:18.154630
• Title: Exploring Generative Neural Temporal Point Process
• Title（参考訳）: 生成的神経側頭点過程の探索
• Authors: Haitao Lin, Lirong Wu, Guojiang Zhao, Pai Liu, Stan Z. Li
• Abstract要約: 拡散モデルやスコアマッチングモデルのような生成モデルは、画像生成タスクにおいて大きな進歩を遂げた。 textbfneural textbftemporal textbfpoint textbfprocess に統一された textbfgenerative framework を設計することによって,このギャップを埋めようとしている。
• 参考スコア（独自算出の注目度）: 37.1875644118684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal point process (TPP) is commonly used to model the asynchronous event sequence featuring occurrence timestamps and revealed by probabilistic models conditioned on historical impacts. While lots of previous works have focused on `goodness-of-fit' of TPP models by maximizing the likelihood, their predictive performance is unsatisfactory, which means the timestamps generated by models are far apart from true observations. Recently, deep generative models such as denoising diffusion and score matching models have achieved great progress in image generating tasks by demonstrating their capability of generating samples of high quality. However, there are no complete and unified works exploring and studying the potential of generative models in the context of event occurence modeling for TPP. In this work, we try to fill the gap by designing a unified \textbf{g}enerative framework for \textbf{n}eural \textbf{t}emporal \textbf{p}oint \textbf{p}rocess (\textsc{GNTPP}) model to explore their feasibility and effectiveness, and further improve models' predictive performance. Besides, in terms of measuring the historical impacts, we revise the attentive models which summarize influence from historical events with an adaptive reweighting term considering events' type relation and time intervals. Extensive experiments have been conducted to illustrate the improved predictive capability of \textsc{GNTPP} with a line of generative probabilistic decoders, and performance gain from the revised attention. To the best of our knowledge, this is the first work that adapts generative models in a complete unified framework and studies their effectiveness in the context of TPP. Our codebase including all the methods given in Section.5.1.1 is open in \url{https://github.com/BIRD-TAO/GNTPP}. We hope the code framework can facilitate future research in Neural TPPs.
• Abstract（参考訳）: 時間的ポイントプロセス(tpp)は、発生時のタイムスタンプを特徴とする非同期イベントシーケンスのモデル化に一般的に用いられ、歴史的な影響を前提とした確率モデルによって明らかにされる。 確率を最大化することで、tppモデルの「適合性の良さ」に多くの先行研究が注力してきたが、予測性能は不十分であり、つまりモデルによって生成されたタイムスタンプは真の観察から遠く離れている。 近年,ノイズ拡散やスコアマッチングなどの深部生成モデルは,高品質なサンプル生成能力を示すことにより,画像生成タスクにおいて大きな進歩を遂げている。 しかし、TPPの事象発生モデリングの文脈における生成モデルの可能性を探究し研究する完全で統一的な研究は存在しない。 本研究では,その実現可能性と有効性を探究し,モデルの予測性能をさらに向上させるための統合型フレームワークである \textbf{n}eural \textbf{t}emporal \textbf{p}oint \textbf{p}rocess (\textsc{gntpp}) を設計し,そのギャップを埋めようとしている。 また、歴史的影響を計測する上で、事象の型関係と時間間隔を考慮した適応的再重み付け項による歴史的事象の影響を要約した注意モデルを再検討する。 生成確率デコーダのラインによる \textsc{GNTPP} の予測能力の向上と, 改良された注目による性能向上について, 広範囲にわたる実験を行った。 我々の知る限りでは、これは生成モデルを完全に統一したフレームワークに適応し、TPPの文脈でそれらの有効性を研究する最初の研究である。 セクション5.1.1で与えられるすべてのメソッドを含む私たちのコードベースは、 \url{https://github.com/BIRD-TAO/GNTPP}で開きます。 コードフレームワークがNeural TPPの今後の研究を促進することを願っています。

関連論文リスト

• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• Add and Thin: Diffusion for Temporal Point Processes [24.4686728569167]
  ADD-THINは、時間点過程(TPP)ネットワークの確率的デノナイジング拡散モデルである。 イベントシーケンス全体で動作し、密度推定において最先端のTPPモデルと一致する。 合成および実世界のデータセットの実験において、我々のモデルは密度推定における最先端のTPPモデルと一致し、予測においてそれらを強く上回る。
  論文  参考訳（メタデータ） (2023-11-02T10:42:35Z)
• Interacting Diffusion Processes for Event Sequence Forecasting [20.380620709345898]
  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)
• On the Predictive Accuracy of Neural Temporal Point Process Models for Continuous-time Event Data [3.13468877208035]
  時間的ポイントプロセス(TPP)は、非同期イベントシーケンスを連続的にモデル化するための標準的な数学的フレームワークとして機能する。 ニューラルネットワークのパラメトリゼーションを活用し、より柔軟で効率的なモデリングを提供するNeural TPPを提案する。 本研究では,最先端のニューラルTPPモデルの予測精度を系統的に評価する。
  論文  参考訳（メタデータ） (2023-06-29T16:14:43Z)
• Intensity-free Convolutional Temporal Point Process: Incorporating Local and Global Event Contexts [30.534921874640585]
  本稿では、連続時間畳み込みイベントエンコーダとRNNを統合することにより、ローカルコンテキストとグローバルコンテキストを組み合わせた新しいTPPモデリング手法を提案する。 提示されたフレームワークは柔軟でスケーラブルで、長いシーケンスと複雑な潜伏パターンを持つ大きなデータセットを扱うことができる。 我々の知る限りでは、これはTPPモデリングに畳み込みニューラルネットワークを適用する最初の研究である。
  論文  参考訳（メタデータ） (2023-06-24T22:57:40Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• 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)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)

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。