論文の概要: Neural multi-event forecasting on spatio-temporal point processes using probabilistically enriched transformers

• arxiv url: http://arxiv.org/abs/2211.02922v1
• Date: Sat, 5 Nov 2022 14:55:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 16:28:48.492668
• Title: Neural multi-event forecasting on spatio-temporal point processes using probabilistically enriched transformers
• Title（参考訳）: 確率的エンリッチトランスを用いた時空間過程のニューラルマルチイベント予測
• Authors: Negar Erfanian, Santiago Segarra, Maarten de Hoop
• Abstract要約: 時間と空間における離散的な事象の予測には、危険地震の予測や感染症の発生など、多くの科学的応用がある。 本アーキテクチャでは,正規化フローと層を付加した時間的点過程のニューラルマルチイベント予測を提案する。 我々のネットワークは、複雑な未来の離散イベントのバッチ予測を行い、様々なベンチマークデータセットで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 18.66217537327045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting discrete events in time and space has many scientific applications, such as predicting hazardous earthquakes and outbreaks of infectious diseases. History-dependent spatio-temporal Hawkes processes are often used to mathematically model these point events. However, previous approaches have faced numerous challenges, particularly when attempting to forecast one or multiple future events. In this work, we propose a new neural architecture for multi-event forecasting of spatio-temporal point processes, utilizing transformers, augmented with normalizing flows and probabilistic layers. Our network makes batched predictions of complex history-dependent spatio-temporal distributions of future discrete events, achieving state-of-the-art performance on a variety of benchmark datasets including the South California Earthquakes, Citibike, Covid-19, and Hawkes synthetic pinwheel datasets. More generally, we illustrate how our network can be applied to any dataset of discrete events with associated markers, even when no underlying physics is known.
• Abstract（参考訳）: 時間と空間における離散的な事象の予測には、危険地震の予測や感染症の発生など、多くの科学的応用がある。 歴史に依存した時空間ホークス過程は、これらの点事象を数学的にモデル化するためにしばしば用いられる。 しかし、特に1つまたは複数の将来のイベントを予測しようとすると、以前のアプローチは多くの課題に直面した。 本研究では,時空間プロセスのマルチイベント予測,トランスフォーマの利用,正規化フローの強化,確率層を用いたニューラルアーキテクチャを提案する。 筆者らは,南カリフォルニア地震,citibike,covid-19,hawkes合成ピンホイールデータセットなど,さまざまなベンチマークデータセットにおいて,将来的な離散事象の複雑履歴依存時空間分布のバッチ予測を行い,最先端のパフォーマンスを実現する。 より一般に、我々のネットワークが、たとえ基礎となる物理が知られていないとしても、関連するマーカーを含む離散イベントのデータセットにどのように適用できるかを示す。

関連論文リスト

• 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)
• Variational Neural Temporal Point Process [22.396329275957996]
  時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。 推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。 我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-02-17T13:34:30Z)
• Bayesian Neural Hawkes Process for Event Uncertainty Prediction [0.2148535041822524]
  発生時刻を予測するモデルは、ソーシャルネットワーク、金融取引、ヘルスケア、人間の移動といった様々なアプリケーションにおいて重要な役割を果たす。 最近の研究は、イベントタイムをモデル化するためのニューラルネットワークベースのポイントプロセスを導入し、イベントタイムの予測に最先端のパフォーマンスを提供することを示した。 本稿では,ベイジアンモデルの不確実性モデリング能力とニューラルネットワークの一般化能力を利用する,新しい点過程モデルベイジアン・ニューラルホークス法を提案する。
  論文  参考訳（メタデータ） (2021-12-29T09:47:22Z)
• Dynamic Hawkes Processes for Discovering Time-evolving Communities' States behind Diffusion Processes [57.22860407362061]
  拡散プロセスの背後にあるコミュニティ状態の基盤となるダイナミクスを捉えることができる新しいホークスプロセスモデルを提案する。 提案手法はDHPと呼ばれ、時間発展するコミュニティの状態の複雑な表現を学習するための柔軟な方法を提供する。
  論文  参考訳（メタデータ） (2021-05-24T08:35:48Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• Neural Datalog Through Time: Informed Temporal Modeling via Logical Specification [30.398163018363043]
  制限のないニューラルネットワークのトレーニングは、刺激的なパターンに過度に適合する可能性がある。 時間とともに構造化された事実を追跡するために時間的推論データベースを提案する。 合成ドメインと実世界のドメインの両方において、簡潔なデータログプログラムから派生したニューラル確率モデルが予測を改善することを示す。
  論文  参考訳（メタデータ） (2020-06-30T12:26:04Z)
• Graph Hawkes Neural Network for Forecasting on Temporal Knowledge Graphs [38.56057203198837]
  ホークスプロセスは、異なるイベントタイプで自己励起イベントシーケンスをモデリングする標準的な方法となっている。 本稿では,進化するグラフ列のダイナミクスを捉えることができるグラフホークスニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-30T12:56:50Z)
• 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)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)
• 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)
• 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。