Fugu-MT 論文翻訳(概要): Online Learning for Mixture of Multivariate Hawkes Processes

論文の概要: Online Learning for Mixture of Multivariate Hawkes Processes

arxiv url: http://arxiv.org/abs/2208.07961v1
Date: Tue, 16 Aug 2022 21:41:08 GMT
ステータス: 処理完了
システム内更新日: 2022-08-18 12:34:12.207635
Title: Online Learning for Mixture of Multivariate Hawkes Processes
Title（参考訳）: 多変量ホークス混合過程のオンライン学習
Authors: Mohsen Ghassemi, Niccol\`o Dalmasso, Simran Lamba, Vamsi K. Potluru, Sameena Shah, Tucker Balch, Manuela Veloso
Abstract要約: 本稿では,アクターネットワークの潜伏構造と,医療・金融分野の現実的な設定のためのイベント間のリッチな相互作用をモデル化することを提案する。実世界の合成データと実世界のデータによる実験結果から,本手法の有効性が示された。
参考スコア（独自算出の注目度）: 12.882732497479498
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Online learning of Hawkes processes has received increasing attention in the last couple of years especially for modeling a network of actors. However, these works typically either model the rich interaction between the events or the latent cluster of the actors or the network structure between the actors. We propose to model the latent structure of the network of actors as well as their rich interaction across events for real-world settings of medical and financial applications. Experimental results on both synthetic and real-world data showcase the efficacy of our approach.
Abstract（参考訳）: ホークスプロセスのオンライン学習は、ここ数年、特に俳優のネットワークをモデル化する上で、注目を集めている。しかしながら、これらの作業は通常、イベント間のリッチな相互作用やアクターの潜在クラスタ、アクター間のネットワーク構造をモデル化する。本稿では,アクターネットワークの潜伏構造と,医療・金融分野の現実的な設定のためのイベント間のリッチな相互作用をモデル化することを提案する。合成データと実世界データの両方における実験結果から,本手法の有効性が示された。

関連論文リスト

Machine learning the interaction network in coupled dynamical systems [0.0]
相互作用する粒子の集合において、相互作用ネットワークは、様々なコンポーネントが相互にどのように相互作用するかに関する情報を含んでいる。本研究では,対話ネットワークの回復とエージェントのダイナミクスの予測という2つの結果を達成するために,自己教師型ニューラルネットワークモデルを用いる。
論文参考訳（メタデータ） (2023-10-05T08:29:00Z)
UNIMO-3: Multi-granularity Interaction for Vision-Language Representation Learning [35.88753097105914]
マルチモーダルな層間相互作用と層間相互作用を同時に学習する能力を持つ UNIMO-3 モデルを提案する。我々のモデルは,様々な下流タスクにおける最先端性能を実現し,効果的な層間学習がマルチモーダル表現の能力を向上することを証明することができる。
論文参考訳（メタデータ） (2023-05-23T05:11:34Z)
InterGen: Diffusion-based Multi-human Motion Generation under Complex Interactions [49.097973114627344]
動作拡散プロセスに人間と人間の相互作用を組み込んだ効果的な拡散ベースアプローチであるInterGenを提案する。我々はまず、InterHumanという名前のマルチモーダルデータセットをコントリビュートする。これは、様々な2人インタラクションのための約107Mフレームで構成され、正確な骨格運動と23,337の自然言語記述を持つ。本稿では,世界規模での2人のパフォーマーのグローバルな関係を明示的に定式化した対話拡散モデルにおける動作入力の表現を提案する。
論文参考訳（メタデータ） (2023-04-12T08:12:29Z)
Interaction Modeling with Multiplex Attention [17.04973256281265]
マルチエージェントシステムを正確にモデル化する手法を提案する。提案手法は, 軌道予測や関係推定において, 最先端モデルよりも優れていることを示す。
論文参考訳（メタデータ） (2022-08-23T00:29:18Z)
DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文参考訳（メタデータ） (2022-03-03T20:52:47Z)
Sparsity-aware neural user behavior modeling in online interaction platforms [2.4036844268502766]
ユーザ行動モデリングのための一般化可能なニューラル表現学習フレームワークを開発する。問題設定は、トランスダクティブおよびインダクティブな学習シナリオにまたがる。ユーザの振る舞いを反映した情報のさまざまな側面を活用して、大規模にパーソナライズされた推論を可能にする。
論文参考訳（メタデータ） (2022-02-28T00:27:11Z)
Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文参考訳（メタデータ） (2021-07-10T03:49:41Z)
Learning Asynchronous and Sparse Human-Object Interaction in Videos [56.73059840294019]
Asynchronous-Sparse Interaction Graph Networks(ASSIGN)は、ビデオシーン内のエンティティに関連するインタラクションイベントの構造を自動的に検出します。 ASSIGNは人間と物体の相互作用認識において試験され、人間のサブアクティビティのセグメンテーションおよびラベル付けにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-03-03T23:43:55Z)
A Latent Space Model for Multilayer Network Data [0.2538209532048866]
アクターの共通集合上で定義された2つ以上のソーシャルネットワークを同時に特徴付けるベイズ統計モデルを提案する。モデルの主な特徴は階層的な事前分布であり、システム全体を共同で表現することができる。我々のモデルの性能は、アクターの種類、サイズ、関係性を考慮し、いくつかの実世界のデータセットを用いて説明される。
論文参考訳（メタデータ） (2021-02-18T00:53:44Z)
Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文参考訳（メタデータ） (2020-07-07T17:19:56Z)
I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文参考訳（メタデータ） (2020-02-05T11:10:44Z)

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。