論文の概要: HGV4Risk: Hierarchical Global View-guided Sequence Representation Learning for Risk Prediction

• arxiv url: http://arxiv.org/abs/2211.07956v1
• Date: Tue, 15 Nov 2022 07:41:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 13:58:24.944244
• Title: HGV4Risk: Hierarchical Global View-guided Sequence Representation Learning for Risk Prediction
• Title（参考訳）: hgv4risk:階層型グローバルビュー誘導シーケンス表現学習によるリスク予測
• Authors: Youru Li, Zhenfeng Zhu, Xiaobo Guo, Shaoshuai Li, Yuchen Yang and Yao Zhao
• Abstract要約: 本稿では,新しい階層的グローバルビュー誘導(HGV)シーケンス表現学習フレームワークを提案する。 具体的には、時間相関グラフから連続的なクリップ認識表現を学習するために、GGE(Global Graph Embedding)モジュールを提案する。 提案モデルは,他の既知のベースラインと比較して,競争力のある予測性能が得られることを示す。
• 参考スコア（独自算出の注目度）: 28.85381591832941
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Risk prediction, as a typical time series modeling problem, is usually achieved by learning trends in markers or historical behavior from sequence data, and has been widely applied in healthcare and finance. In recent years, deep learning models, especially Long Short-Term Memory neural networks (LSTMs), have led to superior performances in such sequence representation learning tasks. Despite that some attention or self-attention based models with time-aware or feature-aware enhanced strategies have achieved better performance compared with other temporal modeling methods, such improvement is limited due to a lack of guidance from global view. To address this issue, we propose a novel end-to-end Hierarchical Global View-guided (HGV) sequence representation learning framework. Specifically, the Global Graph Embedding (GGE) module is proposed to learn sequential clip-aware representations from temporal correlation graph at instance level. Furthermore, following the way of key-query attention, the harmonic $\beta$-attention ($\beta$-Attn) is also developed for making a global trade-off between time-aware decay and observation significance at channel level adaptively. Moreover, the hierarchical representations at both instance level and channel level can be coordinated by the heterogeneous information aggregation under the guidance of global view. Experimental results on a benchmark dataset for healthcare risk prediction, and a real-world industrial scenario for Small and Mid-size Enterprises (SMEs) credit overdue risk prediction in MYBank, Ant Group, have illustrated that the proposed model can achieve competitive prediction performance compared with other known baselines.
• Abstract（参考訳）: リスク予測は、典型的な時系列モデリング問題として、マーカーの傾向やシーケンスデータからの過去の行動の学習によって達成され、医療や金融に広く適用されている。 近年、ディープラーニングモデル、特にlong short-term memory neural network (lstms) は、これらのシーケンス表現学習タスクにおいて優れた性能をもたらしている。 タイムアウェアや機能アウェアの強化戦略による注意や自己注意に基づくモデルは、他の時間的モデリング手法と比較してパフォーマンスが向上しているにもかかわらず、グローバルな視点からのガイダンスが不足しているため、このような改善は限られている。 この問題に対処するために,HGV(Herarchical Global View-guided)シーケンス表現学習フレームワークを提案する。 具体的には,グローバルグラフ埋め込み(GGE)モジュールをインスタンスレベルで時間相関グラフから逐次的なクリップ認識表現を学習するために提案する。 さらに、キークエリの注意を引いたハーモニックな$\beta$-attention(\beta$-Attn)も、タイムアウェアの減衰とチャネルレベルでの観測重要性のグローバルなトレードオフを適応的に行うために開発された。 さらに、インスタンスレベルとチャネルレベルの両方の階層表現は、グローバルビューのガイダンスの下で異種情報集約によって協調することができる。 医療リスク予測のためのベンチマークデータセットと,MYBank(Ant Group)における小規模・中規模企業(SME)信用過剰リスク予測の現実的産業シナリオに関する実験結果から,提案モデルが他の既知のベースラインと比較して競合予測性能を達成できることが示唆された。

関連論文リスト

• Uniting contrastive and generative learning for event sequences models [51.547576949425604]
  本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。 いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-19T13:47:17Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Hierarchical Classification Auxiliary Network for Time Series Forecasting [26.92086695600799]
  本稿では,時系列値をトークン化して,クロスエントロピー損失による予測モデルをトレーニングする手法を提案する。 本稿では,任意の予測モデルと統合可能な一般モデル非依存コンポーネントである階層分類補助ネットワークHCANを提案する。 HCANと最先端の予測モデルを統合する実験は、いくつかの実世界のデータセットのベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-05-29T10:38:25Z)
• DeepHGNN: Study of Graph Neural Network based Forecasting Methods for Hierarchically Related Multivariate Time Series [5.029860184826624]
  本稿では,複雑な階層構造における予測を目的とした新しい階層型GNN(DeepHGNN)フレームワークを提案する。 DeepHGNNは、様々な階層レベルの予測精度とコヒーレンスを保証し、それらをまたいだ信号を共有する。 複数の最先端モデルに対する包括的評価セットにより,DeepHGNNの優れた性能が確認された。
  論文  参考訳（メタデータ） (2024-05-29T02:06:17Z)
• Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
  予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。 具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。 提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-01T12:08:35Z)
• Graph-enabled Reinforcement Learning for Time Series Forecasting with Adaptive Intelligence [11.249626785206003]
  グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。 GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。 このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-18T22:25:12Z)
• G-NM: A Group of Numerical Time Series Prediction Models [0.0]
  数値時系列予測モデル(G-NM)のグループは、線形および非線形の依存関係、季節性、時系列データに存在する傾向の両方をカプセル化する。 G-NMは、複雑な自然現象に固有のパターンや傾向に関連する予測能力を増強するために明確に構成されている。
  論文  参考訳（メタデータ） (2023-06-20T16:39:27Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Taming Local Effects in Graph-based Spatiotemporal Forecasting [28.30604130617646]
  時相グラフニューラルネットワークは時系列予測に有効であることが示されている。 本稿では,グラフに基づく時間的予測におけるグローバル性と局所性の間の相互作用を理解することを目的とする。 このようなアーキテクチャにトレーニング可能なノード埋め込みを組み込むことを合理化するための方法論的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-08T14:18:56Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。