論文の概要: Conditional Generative Modeling is All You Need for Marked Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2305.12569v1
• Date: Sun, 21 May 2023 21:13:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 19:35:20.305039
• Title: Conditional Generative Modeling is All You Need for Marked Temporal Point Processes
• Title（参考訳）: マーク付き時間点プロセスに必要な条件付き生成モデリング
• Authors: Zheng Dong, Zekai Fan, Shixiang Zhu
• Abstract要約: 本稿では,その統計的直観を時間的過程から抽出する新しい事象生成モデルを提案する。 我々は、イベントの履歴を入力として取り、高品質な後続イベントを生成する条件付きジェネレータを使用する。 この数値結果は,他の最先端のベースラインと比較して優れた性能を示した。
• 参考スコア（独自算出の注目度）: 9.247064619821092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in generative modeling have made it possible to generate high-quality content from context information, but a key question remains: how to teach models to know when to generate content? To answer this question, this study proposes a novel event generative model that draws its statistical intuition from marked temporal point processes, and offers a clean, flexible, and computationally efficient solution for a wide range of applications involving multi-dimensional marks. We aim to capture the distribution of the point process without explicitly specifying the conditional intensity or probability density. Instead, we use a conditional generator that takes the history of events as input and generates the high-quality subsequent event that is likely to occur given the prior observations. The proposed framework offers a host of benefits, including exceptional efficiency in learning the model and generating samples, as well as considerable representational power to capture intricate dynamics in multi- or even high-dimensional event space. Our numerical results demonstrate superior performance compared to other state-of-the-art baselines.
• Abstract（参考訳）: 生成モデリングの最近の進歩により、コンテキスト情報から高品質なコンテンツを生成することが可能になったが、重要な疑問が残る。 そこで本研究では,時間的特徴のあるプロセスから統計的直観を引き出す新しいイベント生成モデルを提案し,多次元のマークを含む幅広いアプリケーションに対して,クリーンでフレキシブルで効率的な解を提供する。 我々は,条件強度や確率密度を明示することなく,点過程の分布を捉えることを目指している。 代わりに、イベントの履歴を入力として取り込んだ条件付きジェネレータを使用し、以前の観測結果から得られるであろう高品質な後続イベントを生成する。 提案するフレームワークは,モデル学習やサンプル生成の極めて効率的な方法や,多次元あるいは高次元のイベント空間における複雑なダイナミクスを捉えるための表現力など,さまざまなメリットを提供する。 その結果,他の最先端のベースラインに比べて優れた性能を示した。

関連論文リスト

• EventFlow: Forecasting Continuous-Time Event Data with Flow Matching [12.976042923229466]
  本研究では,時間的ポイントプロセスのための非自己回帰生成モデルであるEventFlowを提案する。 我々のモデルはフローマッチングフレームワークの上に構築され、イベント時間を通じて関節分布を直接学習し、自己回帰プロセスをサイドステッピングします。
  論文  参考訳（メタデータ） (2024-10-09T20:57:00Z)
• EtriCA: Event-Triggered Context-Aware Story Generation Augmented by Cross Attention [17.049035309926637]
  本稿では、生成したストーリーの関連性とコヒーレンスを改善する新しいニューラルジェネレーションモデルであるEtriCAを提案する。 我々のモデルは最先端のベースラインを著しく上回ります。
  論文  参考訳（メタデータ） (2022-10-22T14:51:12Z)
• Avoiding Post-Processing with Event-Based Detection in Biomedical Signals [69.34035527763916]
  学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。 イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-09-22T13:44:13Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Counterfactual Temporal Point Processes [18.37409880250174]
  我々は,Gumbel-Max構造因果モデルに基づく時間点過程のシンニングの因果モデルを構築した。 次に、与えられた代替強度関数の下で時間点過程の対実的実現をシミュレートする。
  論文  参考訳（メタデータ） (2021-11-15T08:46:25Z)
• Event Data Association via Robust Model Fitting for Event-based Object Tracking [66.05728523166755]
  本稿では,イベントアソシエーションと融合問題に明示的に対処する新しいイベントデータアソシエーション(EDA)手法を提案する。 提案するEDAは、統合データアソシエーションと情報融合を行うために、イベントデータに最も適したイベントトラジェクトリを求める。 実験結果から,高速,運動のぼやけ,高ダイナミックレンジ条件といった難易度シナリオ下でのEDAの有効性が示された。
  論文  参考訳（メタデータ） (2021-10-25T13:56:00Z)
• Neural Spectral Marked Point Processes [18.507050473968985]
  本稿では、複雑な離散イベントを扱うための、ニューラルネットワークに基づく新規で汎用的な非定常影響カーネルを提案する。 提案手法は, 合成および実データにおける最先端技術と比較して, 優れた性能を示す。
  論文  参考訳（メタデータ） (2021-06-20T23:00:37Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)
• Team RUC_AIM3 Technical Report at Activitynet 2020 Task 2: Exploring Sequential Events Detection for Dense Video Captioning [63.91369308085091]
  本稿では、イベントシーケンス生成のための新規でシンプルなモデルを提案し、ビデオ中のイベントシーケンスの時間的関係を探索する。 提案モデルでは,非効率な2段階提案生成を省略し,双方向時間依存性を条件としたイベント境界を直接生成する。 総合システムは、チャレンジテストセットの9.894 METEORスコアで、ビデオタスクにおける密封イベントの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-14T13:21:37Z)
• 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)

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。