論文の概要: Structured, Complex and Time-complete Temporal Event Forecasting
- arxiv url: http://arxiv.org/abs/2312.01052v1
- Date: Sat, 2 Dec 2023 07:40:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 19:28:58.431113
- Title: Structured, Complex and Time-complete Temporal Event Forecasting
- Title(参考訳): 構造化・複雑・時間完全時間イベント予測
- Authors: Yunshan Ma, Chenchen Ye, Zijian Wu, Xiang Wang, Yixin Cao, Liang Pang,
Tat-Seng Chua
- Abstract要約: 時間的イベント予測は、歴史で観測された出来事から次に何が起こるかを予測することを目的としている。
それまでの時間的事象の定式化は、非構造的、原子的、あるいは完全な時間的情報が欠如している。
SCTc-TE(Structured, Complex, and Time-complete Temporal Event)の新たな定式化について紹介する。
- 参考スコア(独自算出の注目度): 66.17005554335029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal event forecasting aims to predict what will happen next given the
observed events in history. Previous formulations of temporal event are
unstructured, atomic, or lacking full temporal information, thus largely
restricting the representation quality and forecasting ability of temporal
events. To address these limitations, we introduce a novel formulation for
Structured, Complex, and Time-complete Temporal Event (SCTc-TE). Based on this
new formulation, we develop a simple and fully automated pipeline for
constructing such SCTc-TEs from a large amount of news articles. Furthermore,
we propose a novel model that leverages both Local and Global contexts for
SCTc-TE forecasting, named LoGo. To evaluate our model, we construct two
large-scale datasets named MidEast-TE and GDELT-TE. Extensive evaluations
demonstrate the advantages of our datasets in multiple aspects, while
experimental results justify the effectiveness of our forecasting model LoGo.
We release the code and dataset via
https://github.com/yecchen/GDELT-ComplexEvent.
- Abstract(参考訳): 時間的イベント予測は、歴史で観測された出来事から次に何が起こるかを予測することを目的としている。
従来の時間事象の定式化は、非構造的、原子的、あるいは完全な時間的情報がないため、時間的事象の表現品質と予測能力に大きく制限される。
これらの制約に対処するために,構造化,複雑,時間完全時空間事象 (sctc-te) の新しい定式化を提案する。
この新たな定式化に基づいて,大量のニュース記事からSCTc-TEを構築するための,シンプルで完全に自動化されたパイプラインを開発する。
さらに,SCTc-TE予測にローカルコンテキストとグローバルコンテキストを併用したLoGoという新しいモデルを提案する。
本モデルを評価するため,MidEast-TEとGDELT-TEという2つの大規模データセットを構築した。
大規模な評価では、複数の面でデータセットの利点を示し、実験結果は予測モデルLoGoの有効性を正当化する。
コードとデータセットをhttps://github.com/yecchen/GDELT-ComplexEventでリリースします。
関連論文リスト
- 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) - 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) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳(メタデータ) (2023-10-08T08:09:51Z) - Continuous-time convolutions model of event sequences [53.36665135225617]
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。
論文 参考訳(メタデータ) (2023-02-13T10:34:51Z) - Pre-training Enhanced Spatial-temporal Graph Neural Network for
Multivariate Time Series Forecasting [13.441945545904504]
スケーラブルな時系列事前学習モデル(STEP)によりSTGNNが拡張される新しいフレームワークを提案する。
具体的には、非常に長期の歴史時系列から時間パターンを効率的に学習するための事前学習モデルを設計する。
我々のフレームワークは下流のSTGNNを著しく強化することができ、事前学習モデルは時間パターンを適切にキャプチャする。
論文 参考訳(メタデータ) (2022-06-18T04:24:36Z) - 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) - SeDyT: A General Framework for Multi-Step Event Forecasting via Sequence
Modeling on Dynamic Entity Embeddings [6.314274045636102]
イベント予測は、時間的知識グラフ推論において重要で困難なタスクである。
本稿では,動的エンティティ埋め込み上でシーケンスモデリングを行う識別フレームワークであるSeDyTを提案する。
時間的グラフニューラルネットワークモデルとシーケンスモデルを組み合わせることで、SeDyTは平均2.4%のMRR改善を実現している。
論文 参考訳(メタデータ) (2021-09-09T20:32:48Z) - Complex Event Forecasting with Prediction Suffix Trees: Extended
Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。
このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。
複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-01T09:52:31Z)
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。