論文の概要: Hawkes Process Based on Controlled Differential Equations

• arxiv url: http://arxiv.org/abs/2305.07031v2
• Date: Thu, 18 May 2023 05:34:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 19:05:34.567133
• Title: Hawkes Process Based on Controlled Differential Equations
• Title（参考訳）: 制御微分方程式に基づくホークス過程
• Authors: Minju Jo, Seungji Kook, Noseong Park
• Abstract要約: 制御微分方程式(HP-CDE)に基づくホークス過程の概念を提案する。 実世界の4つのデータセットを用いた実験では,提案手法は非自明なマージンで既存手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 11.857457962241108
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Hawkes processes are a popular framework to model the occurrence of sequential events, i.e., occurrence dynamics, in several fields such as social diffusion. In real-world scenarios, the inter-arrival time among events is irregular. However, existing neural network-based Hawkes process models not only i) fail to capture such complicated irregular dynamics, but also ii) resort to heuristics to calculate the log-likelihood of events since they are mostly based on neural networks designed for regular discrete inputs. To this end, we present the concept of Hawkes process based on controlled differential equations (HP-CDE), by adopting the neural controlled differential equation (neural CDE) technology which is an analogue to continuous RNNs. Since HP-CDE continuously reads data, i) irregular time-series datasets can be properly treated preserving their uneven temporal spaces, and ii) the log-likelihood can be exactly computed. Moreover, as both Hawkes processes and neural CDEs are first developed to model complicated human behavioral dynamics, neural CDE-based Hawkes processes are successful in modeling such occurrence dynamics. In our experiments with 4 real-world datasets, our method outperforms existing methods by non-trivial margins.
• Abstract（参考訳）: hawkesプロセスは、社会的拡散のようないくつかの分野におけるシーケンシャルな事象、すなわち発生ダイナミクスの発生をモデル化するための一般的なフレームワークである。 現実のシナリオでは、イベント間の地域間時間は不規則である。 しかし、既存のニューラルネットワークベースのホークスプロセスモデルだけでなく、 i) 複雑な不規則な力学を捉えることができず 二 主に通常の離散入力用に設計されたニューラルネットワークに基づいており、イベントのログライクな状態を計算するためにヒューリスティックスを利用すること。 そこで本研究では,連続RNNに類似した神経制御微分方程式(Neural Control differential equation,neural CDE)技術を用いて,制御微分方程式(HP-CDE)に基づくホークス過程の概念を提案する。 HP-CDEはデータを読み続ける。 一 不規則な時系列データセットは、その不均一な時間空間を適切に保存することができ、 二 ログライクフッドを正確に計算することができること。 さらに、複雑な人間の行動ダイナミクスをモデル化するために、ホークス過程とニューラルcdの両方がまず開発されるので、ニューラルcdeベースのホークス過程はそのような発生ダイナミクスのモデリングに成功している。 実世界の4つのデータセットを用いた実験では,提案手法は既存の手法を非自明なマージンで上回っている。

関連論文リスト

• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Physics-Informed Variational State-Space Gaussian Processes [23.57905861783904]
  本稿では,線形および非線形の物理的制約に対処し,効率的な線形インタイムコストを実現する変動時間状態GPを提案する。 我々は,本手法を人工的および実世界の様々な設定で実証し,予測的および計算的両方の性能において最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-20T20:12:11Z)
• Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems [2.170477444239546]
  ガウス過程スイッチング線形力学系(gpSLDS)の2つの目的をバランスさせるアプローチを開発する。 我々の手法は、非線形力学をガウス過程(GP-SDE)で記述した微分方程式による潜在状態の進化をモデル化した以前の研究に基づいている。 本手法は, 離散状態境界近傍の力学における人工振動など, rSLDS の重要な限界を解消するとともに, 力学の後方不確かさを推定する。
  論文  参考訳（メタデータ） (2024-07-19T15:32:15Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Cox-Hawkes: doubly stochastic spatiotemporal Poisson processes [2.6599014990168834]
  我々は,推論とクラスタリングの両方が可能な新しいクラスの推論・ホークス・プロセスを開発し,推論を効率的に行う方法を提案する。 我々は、シミュレーションデータの実験において、我々のアプローチの有効性と柔軟性を示し、我々の手法を用いて、米国における報告された犯罪のデータセットの傾向を明らかにする。
  論文  参考訳（メタデータ） (2022-10-21T09:47:34Z)
• 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)
• 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)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Modeling of Spatio-Temporal Hawkes Processes with Randomized Kernels [15.556686221927501]
  犯罪予測や交通予測など,イベントプロセスのダイナミクスを推測する実践的応用が盛んである。 イベント発生間の励起を捕捉する能力によって一般的に使用される,社会的時間的ホークスプロセスについて紹介する。 空間カーネルの計算をランダム化変換と勾配降下で置き換え,その過程を学習する。
  論文  参考訳（メタデータ） (2020-03-07T22:21:06Z)

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。