論文の概要: Meta Temporal Point Processes
- arxiv url: http://arxiv.org/abs/2301.12023v1
- Date: Fri, 27 Jan 2023 23:21:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 19:42:16.324376
- Title: Meta Temporal Point Processes
- Title(参考訳): メタ時相点過程
- Authors: Wonho Bae, Mohamed Osama Ahmed, Frederick Tung, Gabriel L. Oliveira
- Abstract要約: 時間点過程 (TPP) は、その実現が時間内の離散事象の連続である過程である。
TPPにおける最近の研究は、教師付き学習フレームワークにおけるニューラルネットワークを用いたプロセスをモデル化している。
我々は,各シーケンスを異なるタスクとして扱うメタ学習フレームワークにおいて,TPPを訓練することを提案する。
- 参考スコア(独自算出の注目度): 13.525125302111844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A temporal point process (TPP) is a stochastic process where its realization
is a sequence of discrete events in time. Recent work in TPPs model the process
using a neural network in a supervised learning framework, where a training set
is a collection of all the sequences. In this work, we propose to train TPPs in
a meta learning framework, where each sequence is treated as a different task,
via a novel framing of TPPs as neural processes (NPs). We introduce context
sets to model TPPs as an instantiation of NPs. Motivated by attentive NP, we
also introduce local history matching to help learn more informative features.
We demonstrate the potential of the proposed method on popular public benchmark
datasets and tasks, and compare with state-of-the-art TPP methods.
- Abstract(参考訳): 時間的点過程 (temporal point process, tpp) は、その実現が時間内の離散事象の列である確率的過程である。
TPPの最近の研究は、トレーニングセットがすべてのシーケンスの集合である教師付き学習フレームワークにおいて、ニューラルネットワークを使用してプロセスをモデル化している。
本研究では,TPPをニューラルプロセス(NP)として新しいフレーミングを通じて,各シーケンスを別のタスクとして扱うメタラーニングフレームワークでトレーニングすることを提案する。
NPのインスタンス化として、TPPをモデル化するためのコンテキストセットを導入する。
注意的NPによって動機づけられた局所的履歴マッチングも導入し,より情報的特徴の学習に役立てる。
本稿では,提案手法の有望な公開ベンチマークデータセットとタスクに対する可能性を示し,最先端のTPP手法と比較する。
関連論文リスト
- Prompt-augmented Temporal Point Process for Streaming Event Sequence [18.873915278172095]
本稿では,ニューラル・テンポラル・ポイント・プロセス(TPP)モデルを継続的に監視するための新しいフレームワークを提案する。
PromptTPPは、3つの実際のユーザ行動データセットにわたって、最先端のパフォーマンスを一貫して達成する。
論文 参考訳(メタデータ) (2023-10-08T03:41:16Z) - PIP: Parse-Instructed Prefix for Syntactically Controlled Paraphrase
Generation [61.05254852400895]
Parse-Instructed Prefix (PIP) は、大規模な事前学習言語モデルをチューニングするためのプレフィックスチューニングの新しい適応である。
このタスクの従来の微調整手法とは対照的に、PIPは学習可能なパラメータの10倍少ない計算効率の代替手段である。
論文 参考訳(メタデータ) (2023-05-26T07:42:38Z) - Learning a Better Initialization for Soft Prompts via Meta-Learning [58.53984967461313]
本稿では,プロンプトチューニングを改善するメタPT(Meta-learned Prompt Tuning)を提案する。
まず、事前学習したデータを異なる補助タスクにクラスタリングすることで、その構造を導入する。
これらのタスクをメタ学習アルゴリズムでプロンプトの事前学習に使用する。
論文 参考訳(メタデータ) (2022-05-25T03:50:23Z) - Neural Processes with Stochastic Attention: Paying more attention to the
context dataset [11.301294319986477]
ニューラルプロセス(NP)は、与えられたコンテキストデータセットに基づいて、目に見えないデータポイントを完成させることを目的としている。
本稿では,適切なコンテキスト情報を取得するために,NPに対する注意機構を提案する。
提案手法は様々な領域において従来のNPよりも大幅に優れていることを示す。
論文 参考訳(メタデータ) (2022-04-11T23:57:19Z) - Semi-supervised Learning for Marked Temporal Point Processes [7.666240799116112]
本研究では,マーク付き時間点プロセス(SSL-MTPP)のための半教師付き学習アルゴリズムを提案する。
提案アルゴリズムはラベル付きデータとラベルなしデータを組み合わせて,ロバストなマーカー予測モデルを学習する。
提案アルゴリズムの有効性は,Retweetデータセット上で複数のプロトコルを用いて実証されている。
論文 参考訳(メタデータ) (2021-07-16T06:59:38Z) - Neural Temporal Point Processes: A Review [25.969319777457606]
時間点過程 (TPP) は連続時間事象列の確率的生成モデルである。
ニューラルTPPは、ポイントプロセスの文献とディープラーニングのアプローチの基本的な考え方を組み合わせる。
論文 参考訳(メタデータ) (2021-04-08T06:10:50Z) - Message Passing Neural Processes [3.0969191504482247]
本稿では,モデル内の関係構造を明示的に利用するMPNP(Message Passing Neural Processs)を紹介する。
MPNPは、既存のベンチマークと新たに提案されたCAとCola-Branchedタスクに基づいて、より低いサンプリングレートで成長する。
本稿では、密度に基づくCAルールセットに対する強力な一般化と、任意のラベリングと数発の学習設定に挑戦する際の顕著な向上について報告する。
論文 参考訳(メタデータ) (2020-09-29T09:40:09Z) - Process Discovery for Structured Program Synthesis [70.29027202357385]
プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。
本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。
我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
論文 参考訳(メタデータ) (2020-08-13T10:33:10Z) - Bootstrapping Neural Processes [114.97111530885093]
ニューラル・プロセス(NP)は、ニューラルネットワークを用いた幅広いプロセスのクラスを暗黙的に定義する。
NPは、プロセスの不確実性は単一の潜在変数によってモデル化されるという仮定に依存している。
本稿では,ブートストラップを用いたNPファミリーの新規拡張であるBoostrapping Neural Process (BNP)を提案する。
論文 参考訳(メタデータ) (2020-08-07T02:23:34Z) - Determinantal Point Processes in Randomized Numerical Linear Algebra [80.27102478796613]
数値線形代数(RandNLA)は、科学計算、データサイエンス、機械学習などで発生する行列問題に対する改良されたアルゴリズムを開発するためにランダム性を使用する。
最近の研究により、DPPとRandNLAの間の深い実りある関係が明らかになり、新たな保証とアルゴリズムの改善につながった。
論文 参考訳(メタデータ) (2020-05-07T00:39:52Z) - Temporal Pyramid Network for Action Recognition [129.12076009042622]
本稿では,2次元あるいは3次元のバックボーンネットワークに柔軟に統合可能な汎用時間ピラミッドネットワーク(TPN)を提案する。
TPNは、いくつかのアクション認識データセット上で、他の困難なベースラインよりも一貫して改善されている。
論文 参考訳(メタデータ) (2020-04-07T17:17:23Z)
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。