論文の概要: Modeling Inter-Dependence Between Time and Mark in Multivariate Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2210.15294v2
• Date: Sat, 23 Nov 2024 17:41:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:17:07.983539
• Title: Modeling Inter-Dependence Between Time and Mark in Multivariate Temporal Point Processes
• Title（参考訳）: 多変量時間点過程における時間とマーク間の相互依存のモデル化
• Authors: Govind Waghmare, Ankur Debnath, Siddhartha Asthana, Aakarsh Malhotra,
• Abstract要約: 過去のイベントを条件として、マーク付きTPPは、時刻と次のイベントのマークの同時分布を学習することを目的としている。 単純性のために、条件付き独立なTPPモデルは時間とマークが与えられたイベント履歴から独立していると仮定する。 我々は、条件付き独立モデルの制約を克服するために、時間とマークの条件付き相互依存性をモデル化する。
• 参考スコア（独自算出の注目度）: 1.8749305679160366
• License:
• Abstract: Temporal Point Processes (TPP) are probabilistic generative frameworks. They model discrete event sequences localized in continuous time. Generally, real-life events reveal descriptive information, known as marks. Marked TPPs model time and marks of the event together for practical relevance. Conditioned on past events, marked TPPs aim to learn the joint distribution of the time and the mark of the next event. For simplicity, conditionally independent TPP models assume time and marks are independent given event history. They factorize the conditional joint distribution of time and mark into the product of individual conditional distributions. This structural limitation in the design of TPP models hurt the predictive performance on entangled time and mark interactions. In this work, we model the conditional inter-dependence of time and mark to overcome the limitations of conditionally independent models. We construct a multivariate TPP conditioning the time distribution on the current event mark in addition to past events. Besides the conventional intensity-based models for conditional joint distribution, we also draw on flexible intensity-free TPP models from the literature. The proposed TPP models outperform conditionally independent and dependent models in standard prediction tasks. Our experimentation on various datasets with multiple evaluation metrics highlights the merit of the proposed approach.
• Abstract（参考訳）: 時間的ポイントプロセス(TPP)は確率的生成フレームワークである。 連続時間で局所化された離散イベントシーケンスをモデル化する。 一般に、実生活の出来事は、マークとして知られる記述的な情報を明らかにする。 マーク付きTPPは、実際の関連性のために、イベントの時間とマークを一緒にモデル化します。 過去のイベントを条件として、マーク付きTPPは、時刻と次のイベントのマークの同時分布を学習することを目的としている。 単純性のために、条件付き独立なTPPモデルは時間とマークが与えられたイベント履歴から独立していると仮定する。 彼らは時間とマークの条件付き結合分布を、個々の条件付き分布の積に分解する。 TPPモデルの設計におけるこの構造的制限は、絡み合った時間とマークの相互作用における予測性能を損なう。 本研究では、条件付き独立モデルの制約を克服するために、時間とマークの条件付き相互依存性をモデル化する。 過去のイベントに加えて,現在のイベントマークに時間分布を条件とした多変量TPPを構築する。 条件付き関節分布の従来の強度に基づくモデルに加えて、文献からフレキシブルな強度のないTPPモデルも取り上げている。 提案したTPPモデルは、標準予測タスクにおいて条件付き独立依存モデルよりも優れている。 複数の評価指標を用いた各種データセットの実験は,提案手法の利点を浮き彫りにした。

関連論文リスト

• Marked Temporal Bayesian Flow Point Processes [32.04732953059373]
  マーク付きイベントデータは、連続値のイベントタイムスタンプと対応する離散値の型を記録して、イベントをキャプチャする。 本稿では,BMTPPと呼ばれる新しいMTPPモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-25T12:32:43Z)
• FreDF: Learning to Forecast in Frequency Domain [56.24773675942897]
  時系列モデリングは、歴史的シーケンスとラベルシーケンスの両方に自己相関が存在するという点で、独特な課題である。 本稿では、周波数領域の予測を学習することでラベル自己相関の複雑さを回避できる周波数強調直接予測(FreDF)を導入する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• 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)
• 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)
• 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)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)
• Long Horizon Forecasting With Temporal Point Processes [22.896152113905856]
  MTPP(Marked temporal point process)は、非同期イベントを特徴付ける強力なモデリング機構として登場した。 本稿では,長期の地平線予測に特に適したデュアルTPPを開発する。 実際のデータセットの多様なセットによる実験は、DualTPPが既存のMTPP手法を長地平線予測で大幅に上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-01-08T01:09:09Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。