論文の概要: HyperHawkes: Hypernetwork based Neural Temporal Point Process
- arxiv url: http://arxiv.org/abs/2210.00213v1
- Date: Sat, 1 Oct 2022 07:14:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 16:20:23.948662
- Title: HyperHawkes: Hypernetwork based Neural Temporal Point Process
- Title（参考訳）: HyperHawkes: ハイパーネットワークベースのニューラルテンポラルポイントプロセス
- Authors: Manisha Dubey, P.K. Srijith, Maunendra Sankar Desarkar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.607676459156789
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal point process serves as an essential tool for modeling time-to-event
data in continuous time space. Despite having massive amounts of event sequence
data from various domains like social media, healthcare etc., real world
application of temporal point process faces two major challenges: 1) it is not
generalizable to predict events from unseen sequences in dynamic environment 2)
they are not capable of thriving in continually evolving environment with
minimal supervision while retaining previously learnt knowledge. To tackle
these issues, we propose \textit{HyperHawkes}, a hypernetwork based temporal
point process framework which is capable of modeling time of occurrence of
events for unseen sequences. Thereby, we solve the problem of zero-shot
learning for time-to-event modeling. We also develop a hypernetwork based
continually learning temporal point process for continuous modeling of
time-to-event sequences with minimal forgetting. In this way,
\textit{HyperHawkes} augments the temporal point process with zero-shot
modeling and continual learning capabilities. We demonstrate the application of
the proposed framework through our experiments on two real-world datasets. Our
results show the efficacy of the proposed approach in terms of predicting
future events under zero-shot regime for unseen event sequences. We also show
that the proposed model is able to predict sequences continually while
retaining information from previous event sequences, hence mitigating
catastrophic forgetting for time-to-event data.
- Abstract（参考訳）: テンポラリポイントプロセスは、連続時間空間におけるイベントデータのモデリングに不可欠なツールとして機能する。
ソーシャルメディアやヘルスケアなど,さまざまなドメインから大量のイベントシーケンスデータが取得されているにも関わらず,時間的ポイントプロセスの実世界の適用には2つの大きな課題がある。
1) 動的環境における未知列からの事象の予測は一般化できない
2) 従来から学んだ知識を維持しつつ, 最小限の監督で継続的に進化する環境に育つことはできない。
これらの問題に対処するために,超ネットワークベースの時間的ポイント処理フレームワークである \textit{hyperhawkes} を提案する。
これにより、時間対イベントモデリングにおけるゼロショット学習の問題を解決する。
また、時間-イベント間の連続的なモデリングのための、時間的ポイントプロセスを継続的に学習するハイパーネットワークも開発した。
このように、 \textit{HyperHawkes} は、ゼロショットモデリングと連続学習機能によって、時間的ポイントプロセスを強化します。
提案するフレームワークを実世界の2つのデータセットで実験して実演する。
提案手法は,未発見の事象系列に対するゼロショットレジーム下での将来の事象予測における有効性を示す。
また,提案モデルでは,過去のイベントシーケンスからの情報を保持しながら,シーケンスを連続的に予測することが可能であることを示す。
関連論文リスト
- EventFlow: Forecasting Continuous-Time Event Data with Flow Matching [12.976042923229466]
本研究では,時間的ポイントプロセスのための非自己回帰生成モデルであるEventFlowを提案する。
我々のモデルはフローマッチングフレームワークの上に構築され、イベント時間を通じて関節分布を直接学習し、自己回帰プロセスをサイドステッピングします。
論文 参考訳（メタデータ） (2024-10-09T20:57:00Z) - 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) - Non-Autoregressive Diffusion-based Temporal Point Processes for
Continuous-Time Long-Term Event Prediction [8.88485011274486]
本研究では,長期イベント予測のための拡散に基づく非自己回帰時間プロセスモデルを提案する。
事象列上で拡散過程を実行するために,対象事象列とユークリッドベクトル空間の間の双方向マップを開発する。
連続時間における長期イベント予測における最先端手法よりも提案モデルの方が優れていることを示す実験を行った。
論文 参考訳（メタデータ） (2023-11-02T06:52:44Z) - Continuous-time convolutions model of event sequences [46.3471121117337]
イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。
我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。
COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
論文 参考訳（メタデータ） (2023-02-13T10:34:51Z) - 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) - 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) - 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) - 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) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z) - 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。