論文の概要: Spatio-temporal point processes with deep non-stationary kernels
- arxiv url: http://arxiv.org/abs/2211.11179v1
- Date: Mon, 21 Nov 2022 04:49:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 18:37:27.649308
- Title: Spatio-temporal point processes with deep non-stationary kernels
- Title（参考訳）: 深い非定常核をもつ時空間過程
- Authors: Zheng Dong, Xiuyuan Cheng, Yao Xie
- Abstract要約: 我々は、非定常時間点過程をモデル化できる新しいディープ非定常影響カーネルを開発した。
主な考え方は、影響核を新しい一般的な低ランク分解と近似することである。
また,ログバリアペナルティを導入して条件強度の非負性制約を維持するための新たなアプローチも採っている。
- 参考スコア（独自算出の注目度）: 18.10670233156497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point process data are becoming ubiquitous in modern applications, such as
social networks, health care, and finance. Despite the powerful expressiveness
of the popular recurrent neural network (RNN) models for point process data,
they may not successfully capture sophisticated non-stationary dependencies in
the data due to their recurrent structures. Another popular type of deep model
for point process data is based on representing the influence kernel (rather
than the intensity function) by neural networks. We take the latter approach
and develop a new deep non-stationary influence kernel that can model
non-stationary spatio-temporal point processes. The main idea is to approximate
the influence kernel with a novel and general low-rank decomposition, enabling
efficient representation through deep neural networks and computational
efficiency and better performance. We also take a new approach to maintain the
non-negativity constraint of the conditional intensity by introducing a
log-barrier penalty. We demonstrate our proposed method's good performance and
computational efficiency compared with the state-of-the-art on simulated and
real data.
- Abstract（参考訳）: ポイントプロセスのデータは、ソーシャルネットワーク、ヘルスケア、金融など、現代のアプリケーションで広く使われている。
ポイントプロセスデータに対する一般的なリカレントニューラルネットワーク(RNN)モデルの強力な表現性にもかかわらず、リカレント構造のため、データ内の洗練された非定常的依存関係を捕捉することはできなかった。
ポイントプロセスデータに対する他の一般的なディープモデルでは、ニューラルネットワークによる影響カーネル(強度関数ではなく)の表現に基づいている。
我々は後者のアプローチを採用し、非定常時空間過程をモデル化できる新しい深部非定常的影響カーネルを開発する。
主なアイデアは、インフルエンサーカーネルを新しい一般的な低ランク分解に近似し、ディープニューラルネットワークによる効率的な表現と計算効率とより良い性能を実現することである。
また,ログバリアペナルティを導入して条件強度の非負性制約を維持するための新たなアプローチも採っている。
本手法はシミュレーションおよび実データに対する最先端技術と比較し,優れた性能と計算効率を示す。
関連論文リスト
- Efficient and Effective Implicit Dynamic Graph Neural Network [42.49148111696576]
Indicit Dynamic Graph Neural Network (IDGNN) は動的グラフのための新しい暗黙的ニューラルネットワークである。
IDGNNの鍵となる特徴は、それが実証的に良好である、すなわち、固定点表現を持つことが理論的に保証されていることである。
論文 参考訳（メタデータ） (2024-06-25T19:07:21Z) - Accelerating Convolutional Neural Network Pruning via Spatial Aura
Entropy [0.0]
プルーニング(pruning)は、畳み込みニューラルネットワーク(CNN)モデルの計算複雑性とメモリフットプリントを低減する一般的なテクニックである。
MI計算の既存の手法は、高い計算コストとノイズに対する感度に悩まされ、最適プルーニング性能が低下する。
空間オーラエントロピーを用いたCNNプルーニングのためのMI計算の改良手法を提案する。
論文 参考訳（メタデータ） (2023-12-08T09:43:49Z) - Deep graph kernel point processes [17.74234892097879]
本稿では,グラフ上の離散的なイベントデータに対する新たなポイントプロセスモデルを提案する。
キーとなるアイデアは、グラフニューラルネットワーク(GNN)による影響カーネルを表現して、基盤となるグラフ構造をキャプチャすることだ。
ニューラルネットワークを用いた条件強度関数を直接モデル化することに焦点を当てた以前の研究と比較して、カーネルのプレゼンテーションでは、繰り返し発生する事象の影響パターンをより効果的に表現している。
論文 参考訳（メタデータ） (2023-06-20T06:15:19Z) - FaDIn: Fast Discretized Inference for Hawkes Processes with General
Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。
脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。
その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-10-10T12:35:02Z) - DeepBayes -- an estimator for parameter estimation in stochastic
nonlinear dynamical models [11.917949887615567]
本研究では,DeepBayes推定器を提案する。
ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。
提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
論文 参考訳（メタデータ） (2022-05-04T18:12:17Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - Neural Point Process for Learning Spatiotemporal Event Dynamics [21.43984242938217]
本稿では,時間的点過程を統合するディープ・ダイナミクス・モデルを提案する。
提案手法は柔軟で効率的で,不規則にサンプリングされた事象を時間と空間で正確に予測することができる。
実世界のベンチマークでは、我々のモデルは最先端のベースラインよりも優れた性能を示している。
論文 参考訳（メタデータ） (2021-12-12T23:17:33Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z) - Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。
破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-07T14:19:07Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。