論文の概要: Probabilistic Modeling for Sequences of Sets in Continuous-Time

• arxiv url: http://arxiv.org/abs/2312.15045v3
• Date: Mon, 18 Mar 2024 21:13:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 23:41:33.460998
• Title: Probabilistic Modeling for Sequences of Sets in Continuous-Time
• Title（参考訳）: 連続時間における集合列の確率論的モデリング
• Authors: Yuxin Chang, Alex Boyd, Padhraic Smyth,
• Abstract要約: 設定値データを連続的にモデリングするための一般的なフレームワークを開発する。 また,そのようなモデルを用いて確率的クエリに答える推論手法も開発している。
• 参考スコア（独自算出の注目度）: 14.423456635520084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural marked temporal point processes have been a valuable addition to the existing toolbox of statistical parametric models for continuous-time event data. These models are useful for sequences where each event is associated with a single item (a single type of event or a "mark") -- but such models are not suited for the practical situation where each event is associated with a set of items. In this work, we develop a general framework for modeling set-valued data in continuous-time, compatible with any intensity-based recurrent neural point process model. In addition, we develop inference methods that can use such models to answer probabilistic queries such as "the probability of item $A$ being observed before item $B$," conditioned on sequence history. Computing exact answers for such queries is generally intractable for neural models due to both the continuous-time nature of the problem setting and the combinatorially-large space of potential outcomes for each event. To address this, we develop a class of importance sampling methods for querying with set-based sequences and demonstrate orders-of-magnitude improvements in efficiency over direct sampling via systematic experiments with four real-world datasets. We also illustrate how to use this framework to perform model selection using likelihoods that do not involve one-step-ahead prediction.
• Abstract（参考訳）: ニューラルマークされた時間点過程は、連続時間イベントデータに対する統計パラメトリックモデルの既存のツールボックスに重要な付加物である。 これらのモデルは、各イベントが1つのアイテム(ひとつのタイプのイベントまたは"マーク")に関連付けられたシーケンスに役立ちます。 本研究では,任意の強度に基づくリカレント・ニューラルポイント・プロセス・モデルと互換性のある,設定値データを連続的にモデル化するための一般的なフレームワークを開発する。 さらに,このようなモデルを用いて「$B$の前に観測されるアイテム$A$の確率」などの確率的クエリに応答できる推論手法を開発した。 このようなクエリに対する正確な答えの計算は、問題設定の連続的な性質と、各事象の潜在的な結果の組合せ的に大きな空間の両方のために、一般的にはニューラルネットワークにとって難解である。 そこで,本研究では,4つの実世界のデータセットを用いた体系的な実験を通じて,直接サンプリングよりも高次サンプリングの精度向上を図り,セットベースのシーケンスを問合せするための重要サンプリング手法のクラスを開発する。 また、このフレームワークを用いて1段階の予測を伴わない確率を用いてモデル選択を行う方法について説明する。

関連論文リスト

• A Bayesian Mixture Model of Temporal Point Processes with Determinantal Point Process Prior [21.23523473330637]
  非同期イベントシーケンスクラスタリングは、教師なしの方法で類似のイベントシーケンスをグループ化することを目的としている。 私たちの研究は、イベントシーケンスクラスタリングのためのフレキシブルな学習フレームワークを提供し、潜在的なクラスタ数の自動識別を可能にします。 これは、ニューラルネットワークベースのモデルを含む幅広いパラメトリック時間点プロセスに適用できる。
  論文  参考訳（メタデータ） (2024-11-07T03:21:30Z)
• On the Efficient Marginalization of Probabilistic Sequence Models [3.5897534810405403]
  この論文は、複雑な確率的クエリに答えるために自己回帰モデルを使うことに焦点を当てている。 我々は,モデルに依存しない逐次モデルにおいて,境界化のための新しい,効率的な近似手法のクラスを開発する。
  論文  参考訳（メタデータ） (2024-03-06T19:29:08Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Flexible Networks for Learning Physical Dynamics of Deformable Objects [2.567499374977917]
  本稿では, 粒子ベース表現を用いた変形可能な物体の将来の状態を推定するために, 時間的ポイントネット (TP-Net) というモデルを提案する。 TP-Netは、並列に設定された各入力ポイントからグローバルな特徴を抽出する共有特徴抽出器と、これらの特徴を集約して将来の予測を行う予測ネットワークから構成される。 実験により,我々のモデルは,リアルタイム予測速度で,合成データセットと実世界のデータセットの両方で最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2021-12-07T14:34:52Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• 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)
• User-Dependent Neural Sequence Models for Continuous-Time Event Data [27.45413274751265]
  継続的イベントデータは、個々の行動データ、金融取引、医療健康記録などのアプリケーションで一般的である。 時間変化強度関数をパラメータ化するリカレントニューラルネットワークは、そのようなデータを用いた予測モデリングの最先端技術である。 本稿では,ニューラルマーク点過程モデルの幅広いクラスを,潜伏埋め込みの混合に拡張する。
  論文  参考訳（メタデータ） (2020-11-06T08:32:57Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。