論文の概要: On the Predictive Accuracy of Neural Temporal Point Process Models for
Continuous-time Event Data
- arxiv url: http://arxiv.org/abs/2306.17066v2
- Date: Mon, 10 Jul 2023 15:44:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 21:36:04.034425
- Title: On the Predictive Accuracy of Neural Temporal Point Process Models for
Continuous-time Event Data
- Title（参考訳）: 連続イベントデータに対するニューラル時間点過程モデルの予測精度について
- Authors: Tanguy Bosser and Souhaib Ben Taieb
- Abstract要約: 時間的ポイントプロセス(TPP)は、非同期イベントシーケンスを連続的にモデル化するための標準的な数学的フレームワークとして機能する。
ニューラルネットワークのパラメトリゼーションを活用し、より柔軟で効率的なモデリングを提供するNeural TPPを提案する。
本研究では,最先端のニューラルTPPモデルの予測精度を系統的に評価する。
- 参考スコア（独自算出の注目度）: 3.13468877208035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal Point Processes (TPPs) serve as the standard mathematical framework
for modeling asynchronous event sequences in continuous time. However,
classical TPP models are often constrained by strong assumptions, limiting
their ability to capture complex real-world event dynamics. To overcome this
limitation, researchers have proposed Neural TPPs, which leverage neural
network parametrizations to offer more flexible and efficient modeling. While
recent studies demonstrate the effectiveness of Neural TPPs, they often lack a
unified setup, relying on different baselines, datasets, and experimental
configurations. This makes it challenging to identify the key factors driving
improvements in predictive accuracy, hindering research progress. To bridge
this gap, we present a comprehensive large-scale experimental study that
systematically evaluates the predictive accuracy of state-of-the-art neural TPP
models. Our study encompasses multiple real-world and synthetic event sequence
datasets, following a carefully designed unified setup. We thoroughly
investigate the influence of major architectural components such as event
encoding, history encoder, and decoder parametrization on both time and mark
prediction tasks. Additionally, we delve into the less explored area of
probabilistic calibration for neural TPP models. By analyzing our results, we
draw insightful conclusions regarding the significance of history size and the
impact of architectural components on predictive accuracy. Furthermore, we shed
light on the miscalibration of mark distributions in neural TPP models. Our
study aims to provide valuable insights into the performance and
characteristics of neural TPP models, contributing to a better understanding of
their strengths and limitations.
- Abstract（参考訳）: time point process (tpps) は、非同期イベントシーケンスを連続時間にモデリングするための標準的な数学的フレームワークである。
しかし、古典的なTPPモデルは、しばしば強い仮定によって制約され、複雑な現実世界のイベントダイナミクスを捉える能力を制限する。
この制限を克服するために、研究者はニューラルネットワークパラメトリゼーションを利用してより柔軟で効率的なモデリングを提供するニューラルtppを提案した。
最近の研究は、Neural TPPの有効性を実証しているが、異なるベースライン、データセット、実験的な構成に依存して、統合されたセットアップを欠いていることが多い。
これにより、予測精度の改善を促す重要な要因を特定し、研究の進歩を妨げることが困難になる。
このギャップを埋めるために,最先端ニューラルtppモデルの予測精度を体系的に評価する大規模実験を行った。
本研究は,複数の実世界および合成イベントシーケンスデータセットを包含する。
イベントエンコーディング,履歴エンコーダ,デコーダパラメータ化といった主要なアーキテクチャコンポーネントが時間およびマーク予測タスクに与える影響を徹底的に検討する。
さらに,神経tppモデルの確率的キャリブレーションの難解な領域について検討した。
この結果から,歴史の規模と建築要素が予測精度に与える影響について,洞察に富んだ結論を導いた。
さらに,ニューラルTPPモデルにおけるマーク分布の誤校正にも光を当てた。
本研究の目的は,ニューラルTPPモデルの性能と特性に関する貴重な知見を提供することであり,その強みと限界をよりよく理解することにある。
関連論文リスト
- CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す
提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。
コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
論文 参考訳（メタデータ） (2024-02-01T07:21:30Z) - Spatio-Temporal Attention Graph Neural Network for Remaining Useful Life
Prediction [1.831835396047386]
本研究では,時空間注意グラフニューラルネットワークを提案する。
本モデルでは,空間的・時間的特徴抽出のために,グラフニューラルネットワークと時間的畳み込みニューラルネットワークを組み合わせる。
C-MAPSSデータセットを用いて、クラスタリング正規化とクラスタリング正規化の影響を評価するための総合的な実験を行った。
論文 参考訳（メタデータ） (2024-01-29T08:49:53Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Modeling Time-Series and Spatial Data for Recommendations and Other
Applications [1.713291434132985]
我々は,CTESデータの品質が低いために発生する可能性のある問題をレコメンデーションシステムに入力する。
CTESデータの質を向上させるため、時間的シーケンスにおける欠落イベントを克服する根本的な問題に対処する。
我々は、大規模CTES検索と人間の活動予測のためのソリューションの設計にそれらの能力を拡張した。
論文 参考訳（メタデータ） (2022-12-25T09:34:15Z) - Exploring Generative Neural Temporal Point Process [37.1875644118684]
拡散モデルやスコアマッチングモデルのような生成モデルは、画像生成タスクにおいて大きな進歩を遂げた。
textbfneural textbftemporal textbfpoint textbfprocess に統一された textbfgenerative framework を設計することによって,このギャップを埋めようとしている。
論文 参考訳（メタデータ） (2022-08-03T06:56:28Z) - Integration of neural network and fuzzy logic decision making compared
with bilayered neural network in the simulation of daily dew point
temperature [0.8808021343665321]
ドウ点温度(DPT)は、データ駆動方式を用いてシミュレートされる。
アーキテクチャのトレーニングには、様々な入力パターン、すなわち、T min、T max、T が使用される。
論文 参考訳（メタデータ） (2022-02-23T14:25:13Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。
知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。
AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文 参考訳（メタデータ） (2021-06-14T02:40:32Z)
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。