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

• TimeCAP: Learning to Contextualize, Augment, and Predict Time Series Events with Large Language Model Agents [52.13094810313054]
  TimeCAPは、時系列データのコンテキスト化ツールとしてLarge Language Models(LLM)を創造的に利用する時系列処理フレームワークである。 TimeCAPには2つの独立したLCMエージェントが組み込まれており、1つは時系列のコンテキストをキャプチャするテキスト要約を生成し、もう1つはより情報のある予測を行うためにこのリッチな要約を使用する。 実世界のデータセットによる実験結果から,TimeCAPは時系列イベント予測の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-17T04:17:27Z)
• Channel Dependence, Limited Lookback Windows, and the Simplicity of Datasets: How Biased is Time Series Forecasting? [4.995289882402786]
  現在の評価シナリオは、現在のデータセットの単純さに大きく偏っていることを示す。 さらに,ルックバックウィンドウが適切に調整された場合,現在のモデルではチャネル間の情報フローが不要であることが強調される。 我々は、CrossformerとTimeMixerのランタイムギャップを埋めるFast Channel-dependent Transformer(FaCT)を提案する。
  論文  参考訳（メタデータ） (2025-02-13T13:35:10Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Forecasting Future International Events: A Reliable Dataset for Text-Based Event Modeling [37.508538729757404]
  WorldREPは、大規模言語モデル(LLM)の高度な推論能力を活用することで制限に対処するために設計された、新しいデータセットである。 我々のデータセットは、高度なプロンプトモデリングと、政治学の領域の専門家による厳密な検証によって生成される高品質なスコアリングラベルを特徴としている。 データ収集、ラベル付け、ベンチマークのための完全な自動化ソースコードとともに、私たちのデータセットを公開し、テキストベースのイベント予測の研究を支援し、前進させることを目指しています。
  論文  参考訳（メタデータ） (2024-11-21T11:44:23Z)
• Analyzing Temporal Complex Events with Large Language Models? A Benchmark towards Temporal, Long Context Understanding [57.62275091656578]
  時間的複合イベント(TCE)として、長い期間にわたって多くのニュース記事から構成される複合イベントについて述べる。 本稿では,Large Language Models (LLMs) を用いて,TCE内のイベントチェーンを系統的に抽出し,解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:42:17Z)
• 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)
• Time Series Forecasting via Semi-Asymmetric Convolutional Architecture with Global Atrous Sliding Window [0.0]
  本稿では,時系列予測の問題に対処するために提案手法を提案する。 現代のモデルのほとんどは、短い範囲の情報のみに焦点を当てており、時系列予測のような問題で致命的なものである。 パフォーマンス上のアドバンテージがあることを実験的に検証した3つの主要なコントリビューションを行います。
  論文  参考訳（メタデータ） (2023-01-31T15:07:31Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• RainBench: Towards Global Precipitation Forecasting from Satellite Imagery [6.462260770989231]
  極端に降水するイベントは、発展途上国の経済と生活を定期的に破壊する。 データ駆動型ディープラーニングアプローチは、正確な複数日予測へのアクセスを広げる可能性がある。 現在、世界的な降雨予測の研究に特化したベンチマークデータセットは存在しない。
  論文  参考訳（メタデータ） (2020-12-17T15:35:24Z)
• ForecastQA: A Question Answering Challenge for Event Forecasting with Temporal Text Data [43.400630267599084]
  イベント予測は、人間が常に未来に向けて計画しようとするため、難しいが重要な課題である。 タスクを定式化し、データセットを構築し、大量の構造化されていないテキストデータを用いたイベント予測手法を開発するためのベンチマークを提供する。 BERTベースのモデルを用いてForecastQA実験を行い、データセット上で最高のモデルが60.1%の精度で達成していることを確認した。
  論文  参考訳（メタデータ） (2020-05-02T11:03:40Z)

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。