論文の概要: SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting

• arxiv url: http://arxiv.org/abs/2312.01052v2
• Date: Wed, 3 Apr 2024 06:15:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 16:30:45.376685
• Title: SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting
• Title（参考訳）: SCTc-TE: 時間イベント予測のための総合的な定式化とベンチマーク
• Authors: Yunshan Ma, Chenchen Ye, Zijian Wu, Xiang Wang, Yixin Cao, Liang Pang, Tat-Seng Chua,
• Abstract要約: 私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,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の両方を活用可能なLoGoを提案する。
• 参考スコア（独自算出の注目度）: 63.01035584154509
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal complex event forecasting aims to predict the future events given the observed events from history. Most formulations of temporal complex event are unstructured or without extensive temporal information, resulting in inferior representations and limited forecasting capabilities. To bridge these gaps, we innovatively introduce the formulation of Structured, Complex, and Time-complete temporal event (SCTc-TE). Following this comprehensive formulation, we develop a fully automated pipeline and construct a large-scale dataset named MidEast-TE from about 0.6 million news articles. This dataset focuses on the cooperation and conflict events among countries mainly in the MidEast region from 2015 to 2022. Not limited to the dataset construction, more importantly, we advance the forecasting methods by discriminating the crucial roles of various contextual information, i.e., local and global contexts. Thereby, we propose a novel method LoGo that is able to take advantage of both Local and Global contexts for SCTc-TE forecasting. We evaluate our proposed approach on both our proposed MidEast-TE dataset and the original GDELT-TE dataset. Experimental results demonstrate the effectiveness of our forecasting model LoGo. The code and datasets are released via https://github.com/yecchen/GDELT-ComplexEvent.
• Abstract（参考訳）: 時間的複合イベント予測は、観測された事象を歴史から予測することを目的としている。 時間的複合事象のほとんどの定式化は、構造化されていないか、あるいは広範な時間的情報がないため、劣った表現と限られた予測能力をもたらす。 これらのギャップを埋めるために、構造化、複雑化、時間完全時間イベント(SCTc-TE)の定式化を革新的に導入する。 この包括的定式化に続いて、我々は完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築した。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 データセットの構築に限らず、我々は様々な文脈情報、すなわち地域的・グローバルな文脈における重要な役割を識別することで予測手法を推進している。 そこで我々は,SCTc-TE予測における局所的・グローバル的コンテキストの両面での活用が可能なLoGoを提案する。 提案手法は,提案したMidEast-TEデータセットとGDELT-TEデータセットの両方に対して評価する。 実験の結果,予測モデルであるLoGoの有効性が示された。 コードとデータセットはhttps://github.com/yecchen/GDELT-ComplexEvent.orgから公開される。

関連論文リスト

• 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)
• Beyond Trend and Periodicity: Guiding Time Series Forecasting with Textual Cues [9.053923035530152]
  本研究は,TGTSF(Text-Guided Time Series Forecasting)タスクを紹介する。 TGTSFは、チャネル記述や動的ニュースなどのテキストキューを統合することで、従来の手法の限界に対処する。 テキストキューと時系列データを相互アテンション機構を用いて融合する,堅牢なベースラインモデルである TGForecaster を提案する。
  論文  参考訳（メタデータ） (2024-05-22T10:45:50Z)
• 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)
• 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)
• 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)
• 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。