論文の概要: Continuous-time convolutions model of event sequences
- arxiv url: http://arxiv.org/abs/2302.06247v1
- Date: Mon, 13 Feb 2023 10:34:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 15:56:37.389076
- Title: Continuous-time convolutions model of event sequences
- Title(参考訳): イベントシーケンスの連続時間畳み込みモデル
- Authors: Vladislav Zhuzhel, Vsevolod Grabar, Galina Boeva, Artem Zabolotnyi,
Alexander Stepikin, Vladimir Zholobov, Maria Ivanova, Mikhail Orlov, Ivan
Kireev, Evgeny Burnaev, Rodrigo Rivera-Castro and Alexey Zaytsev
- Abstract要約: イベントシーケンスデータの巨大なサンプルは、eコマース、ヘルスケア、ファイナンスなど、さまざまなドメインで発生します。
利用可能なデータの量とクライアント毎のイベントシーケンスの長さは典型的には大きいため、長期的なモデリングが必要である。
時間内の事象の一様発生に適した連続畳み込みニューラルネットワークに基づくCOTIC法を提案する。
- 参考スコア(独自算出の注目度): 53.36665135225617
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Massive samples of event sequences data occur in various domains, including
e-commerce, healthcare, and finance. There are two main challenges regarding
inference of such data: computational and methodological. The amount of
available data and the length of event sequences per client are typically
large, thus it requires long-term modelling. Moreover, this data is often
sparse and non-uniform, making classic approaches for time series processing
inapplicable. Existing solutions include recurrent and transformer
architectures in such cases. To allow continuous time, the authors introduce
specific parametric intensity functions defined at each moment on top of
existing models. Due to the parametric nature, these intensities represent only
a limited class of event sequences.
We propose the COTIC method based on a continuous convolution neural network
suitable for non-uniform occurrence of events in time. In COTIC, dilations and
multi-layer architecture efficiently handle dependencies between events.
Furthermore, the model provides general intensity dynamics in continuous time -
including self-excitement encountered in practice.
The COTIC model outperforms existing approaches on majority of the considered
datasets, producing embeddings for an event sequence that can be used to solve
downstream tasks - e.g. predicting next event type and return time. The code of
the proposed method can be found in the GitHub repository
(https://github.com/VladislavZh/COTIC).
- Abstract(参考訳): イベントシーケンスデータの大規模なサンプルは、eコマース、ヘルスケア、金融など、さまざまな領域で発生します。
このようなデータの推測には、計算と方法論の2つの主な課題がある。
利用可能なデータ量とクライアント毎のイベントシーケンスの長さは一般的に大きいため、長期的なモデリングが必要となる。
さらに、このデータはスパースで非均一であり、時系列処理の古典的なアプローチは適用できない。
既存のソリューションには、リカレントとトランスフォーマーアーキテクチャが含まれる。
連続時間を可能にするため、著者らは既存のモデルの上に各モーメントで定義された特定のパラメトリック強度関数を導入する。
パラメトリックな性質のため、これらの強度はイベントシーケンスの限られたクラスのみを表す。
本研究では,連続的畳み込みニューラルネットワークに基づくCOTIC手法を提案する。
COTICでは、ディレーションとマルチレイヤアーキテクチャがイベント間の依存関係を効率的に処理する。
さらに、このモデルは、実際に遭遇した自己説明を含む連続時間における一般的な強度ダイナミクスを提供する。
COTICモデルは、検討されたデータセットの大部分が既存のアプローチよりも優れており、下流タスク(次のイベントタイプとリターンタイムの予測など)の解決に使用できるイベントシーケンスの埋め込みを生成する。
提案するメソッドのコードはgithubリポジトリにある(https://github.com/vladislavzh/cotic)。
関連論文リスト
- Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - 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) - Probabilistic Modeling for Sequences of Sets in Continuous-Time [16.210519813487064]
設定値データを連続的にモデリングするための一般的なフレームワークを開発する。
また,そのようなモデルを用いて確率的クエリに答える推論手法も開発している。
論文 参考訳(メタデータ) (2023-12-22T20:16:10Z) - 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) - Event2Graph: Event-driven Bipartite Graph for Multivariate Time-series
Anomaly Detection [25.832983667044708]
本稿では,時系列間の依存性を符号化する動的二部グラフ構造を提案する。
この設計に基づいて、時系列間の関係はイベントノードへの動的接続を通じて明示的にモデル化できる。
論文 参考訳(メタデータ) (2021-08-15T17:50:37Z) - 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) - User-Dependent Neural Sequence Models for Continuous-Time Event Data [27.45413274751265]
継続的イベントデータは、個々の行動データ、金融取引、医療健康記録などのアプリケーションで一般的である。
時間変化強度関数をパラメータ化するリカレントニューラルネットワークは、そのようなデータを用いた予測モデリングの最先端技術である。
本稿では,ニューラルマーク点過程モデルの幅広いクラスを,潜伏埋め込みの混合に拡張する。
論文 参考訳(メタデータ) (2020-11-06T08:32:57Z) - 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) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
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。