論文の概要: Automatic Integration for Spatiotemporal Neural Point Processes
- arxiv url: http://arxiv.org/abs/2310.06179v1
- Date: Mon, 9 Oct 2023 22:07:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 21:28:24.407970
- Title: Automatic Integration for Spatiotemporal Neural Point Processes
- Title(参考訳): 時空間神経点過程の自動統合
- Authors: Zihao Zhou, Rose Yu
- Abstract要約: 本稿では,ニューラルポイントプロセスのためのAutoStemporal Integrationという新しいパラダイムを紹介する。
我々は,不規則事象から複雑な強度関数を復元する上で,AutoStemporal Integrationが大きな利点をもたらすことを証明した。
- 参考スコア(独自算出の注目度): 24.629593617521586
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Learning continuous-time point processes is essential to many discrete event
forecasting tasks. However, integration poses a major challenge, particularly
for spatiotemporal point processes (STPPs), as it involves calculating the
likelihood through triple integrals over space and time. Existing methods for
integrating STPP either assume a parametric form of the intensity function,
which lacks flexibility; or approximating the intensity with Monte Carlo
sampling, which introduces numerical errors. Recent work by Omi et al. [2019]
proposes a dual network or AutoInt approach for efficient integration of
flexible intensity function. However, the method only focuses on the 1D
temporal point process. In this paper, we introduce a novel paradigm: AutoSTPP
(Automatic Integration for Spatiotemporal Neural Point Processes) that extends
the AutoInt approach to 3D STPP. We show that direct extension of the previous
work overly constrains the intensity function, leading to poor performance. We
prove consistency of AutoSTPP and validate it on synthetic data and benchmark
real world datasets, showcasing its significant advantage in recovering complex
intensity functions from irregular spatiotemporal events, particularly when the
intensity is sharply localized.
- Abstract(参考訳): 継続的ポイントプロセスの学習は多くの離散的なイベント予測タスクに不可欠である。
しかし、積分は特に時空間過程(STPP)において、空間と時間における三重積分による可能性を計算するため、大きな課題となる。
既存のSTPPを統合する方法は、柔軟性に欠ける強度関数のパラメトリック形式を仮定するか、モンテカルロサンプリングを用いて強度を近似し、数値誤差を導入する。
近江らによる最近の作品。
2019] フレキシブルインテンシティ関数の効率的な統合のためのデュアルネットワークまたはオートイントアプローチを提案する。
しかし、この手法は1次元時間点過程のみに焦点を当てている。
本稿では,AutoSTPP (Automatic Integration for Spatiotemporal Neural Point Processes) という,AutoIntのアプローチを3次元STPPに拡張する新しいパラダイムを紹介する。
従来の作業の直接拡張は強度関数を過度に制限し、性能が低下することを示す。
autostppの一貫性を証明し、合成データと実世界のデータセットのベンチマークで検証し、不規則な時空間イベントから複雑な強度関数を回復する上で、その大きな利点を示す。
関連論文リスト
- Efficient Spatio-Temporal Signal Recognition on Edge Devices Using PointLCA-Net [0.45609532372046985]
本稿では、ポイントネットの特徴抽出とインメモリコンピューティング能力と時間信号認識のためのニューロモルフィックシステムのエネルギー効率を組み合わせたアプローチを提案する。
PointNetは、推定とトレーニングの両方において、同等のアプローチよりも高い精度とエネルギー負担を著しく低減します。
論文 参考訳(メタデータ) (2024-11-21T20:48:40Z) - EffiCANet: Efficient Time Series Forecasting with Convolutional Attention [12.784289506021265]
EffiCANetは計算効率を維持しながら予測精度を向上させるように設計されている。
EffiCANetは最先端モデルに対するMAEの最大10.02%の削減を実現している。
論文 参考訳(メタデータ) (2024-11-07T12:54:42Z) - 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) - Non-Uniform Interpolation in Integrated Gradients for Low-Latency
Explainable-AI [2.048335092363435]
IG(Integrated Gradients)は、関連するスコアを入力機能に属性付けるXAIアルゴリズムである。
リアルタイムXAIを阻害する説明を生成するには、かなりの計算オーバーヘッドがある。
ベースラインの一様最適化に取って代わるIG属性スコアを計算するための,新しい一様でないスキームを提案する。
論文 参考訳(メタデータ) (2023-02-22T03:03:28Z) - Neural Point Process for Learning Spatiotemporal Event Dynamics [21.43984242938217]
本稿では,時間的点過程を統合するディープ・ダイナミクス・モデルを提案する。
提案手法は柔軟で効率的で,不規則にサンプリングされた事象を時間と空間で正確に予測することができる。
実世界のベンチマークでは、我々のモデルは最先端のベースラインよりも優れた性能を示している。
論文 参考訳(メタデータ) (2021-12-12T23:17:33Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳(メタデータ) (2021-11-25T02:37:59Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4~19倍のスピードアップを観測した。
論文 参考訳(メタデータ) (2021-01-15T00:13:33Z) - Exploiting Multiple Timescales in Hierarchical Echo State Networks [0.0]
エコー状態ネットワーク(ESN)は、線形出力重みのトレーニングのみを必要とする貯水池コンピューティングの強力な形態である。
ここでは,貯水池を2つの小さな貯水池に分割した階層型esnの時間スケールを考察する。
論文 参考訳(メタデータ) (2021-01-11T22:33:17Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳(メタデータ) (2020-12-06T19:49:55Z) - DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic
Convolution [136.7261709896713]
本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。
提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。
また、現在の最先端よりも推論速度を25%以上向上させる。
論文 参考訳(メタデータ) (2020-11-26T14:56:57Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z)
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。