論文の概要: Meta-Learning for Neural Network-based Temporal Point Processes
- arxiv url: http://arxiv.org/abs/2401.15846v1
- Date: Mon, 29 Jan 2024 02:42:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 16:14:44.492704
- Title: Meta-Learning for Neural Network-based Temporal Point Processes
- Title（参考訳）: ニューラルネットワークを用いた時空間過程のメタラーニング
- Authors: Yoshiaki Takimoto, Yusuke Tanaka, Tomoharu Iwata, Maya Okawa, Hideaki
Kim, Hiroyuki Toda, Takeshi Kurashima
- Abstract要約: ポイントプロセスは、人間の活動に関連する事象を予測するために広く使われている。
最近の高性能ポイントプロセスモデルでは、長期間にわたって収集された十分な数のイベントを入力する必要がある。
短周期の事象の周期性を考慮した予測のためのメタラーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 36.31950058651308
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Human activities generate various event sequences such as taxi trip records,
bike-sharing pick-ups, crime occurrence, and infectious disease transmission.
The point process is widely used in many applications to predict such events
related to human activities. However, point processes present two problems in
predicting events related to human activities. First, recent high-performance
point process models require the input of sufficient numbers of events
collected over a long period (i.e., long sequences) for training, which are
often unavailable in realistic situations. Second, the long-term predictions
required in real-world applications are difficult. To tackle these problems, we
propose a novel meta-learning approach for periodicity-aware prediction of
future events given short sequences. The proposed method first embeds short
sequences into hidden representations (i.e., task representations) via
recurrent neural networks for creating predictions from short sequences. It
then models the intensity of the point process by monotonic neural networks
(MNNs), with the input being the task representations. We transfer the prior
knowledge learned from related tasks and can improve event prediction given
short sequences of target tasks. We design the MNNs to explicitly take temporal
periodic patterns into account, contributing to improved long-term prediction
performance. Experiments on multiple real-world datasets demonstrate that the
proposed method has higher prediction performance than existing alternatives.
- Abstract（参考訳）: 人間の活動は、タクシー旅行の記録、自転車シェアリングのピックアップ、犯罪の発生、伝染病の感染など様々なイベントシーケンスを生成する。
ポイントプロセスは多くのアプリケーションで人間の活動に関連する事象を予測するために広く使われている。
しかし、ポイントプロセスは、人間の活動に関連する事象を予測する2つの問題を示す。
第一に、最近のハイパフォーマンスなポイントプロセスモデルでは、トレーニングのために長い時間(つまり長いシーケンス)に収集された十分な数のイベントを入力する必要がある。
第二に、実世界のアプリケーションに必要な長期的な予測は困難である。
これらの問題に対処するために, 周期性に着目した新しいメタラーニング手法を提案する。
提案手法はまず、短いシーケンスから予測を生成するために、リカレントニューラルネットワークを介して短いシーケンスを隠れ表現(タスク表現)に埋め込む。
その後、単調ニューラルネットワーク(mnns)によって点プロセスの強度をモデル化し、入力はタスク表現となる。
我々は、関連するタスクから学んだ事前知識を転送し、ターゲットタスクの短いシーケンスを与えられたイベント予測を改善する。
我々は,時間的周期パターンを考慮に入れたMNNを設計し,長期予測性能の向上に寄与する。
複数の実世界のデータセットに対する実験により,提案手法は既存手法よりも高い予測性能を示した。
関連論文リスト
- Non-Autoregressive Diffusion-based Temporal Point Processes for
Continuous-Time Long-Term Event Prediction [8.88485011274486]
本研究では,長期イベント予測のための拡散に基づく非自己回帰時間プロセスモデルを提案する。
事象列上で拡散過程を実行するために,対象事象列とユークリッドベクトル空間の間の双方向マップを開発する。
連続時間における長期イベント予測における最先端手法よりも提案モデルの方が優れていることを示す実験を行った。
論文 参考訳（メタデータ） (2023-11-02T06:52:44Z) - Tapestry of Time and Actions: Modeling Human Activity Sequences using
Temporal Point Process Flows [9.571588145356277]
本稿では,アクティビティシーケンス中のアクションの連続的な分布をモデル化するフレームワークであるProActiveを提案する。
ProActiveは次のアクション予測、シーケンスゴール予測、エンドツーエンドシーケンス生成という3つの高影響問題に対処する。
論文 参考訳（メタデータ） (2023-07-13T19:17:54Z) - 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) - 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) - HyperHawkes: Hypernetwork based Neural Temporal Point Process [5.607676459156789]
時間的ポイントプロセスは、連続した時間空間における時間間データのモデリングに不可欠なツールとして機能する。
動的環境における見えないシーケンスから事象を予測することは一般化できない。
ハイパーネットワークベースの時間的ポイントプロセスフレームワークである textitHyperHawkes を提案する。
論文 参考訳（メタデータ） (2022-10-01T07:14:19Z) - Variational Neural Temporal Point Process [22.396329275957996]
時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。
推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。
我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
論文 参考訳（メタデータ） (2022-02-17T13:34:30Z) - Investigating Pose Representations and Motion Contexts Modeling for 3D
Motion Prediction [63.62263239934777]
歴史的ポーズシーケンスから人間の動きを予測することは、機械が人間と知的な相互作用を成功させるために不可欠である。
本研究では,様々なポーズ表現に関する詳細な研究を行い,その動作予測課題に対する効果に着目した。
AHMR(Attentive Hierarchical Motion Recurrent Network)と呼ばれる新しいRNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-30T10:45:22Z) - Bayesian Neural Hawkes Process for Event Uncertainty Prediction [0.2148535041822524]
発生時刻を予測するモデルは、ソーシャルネットワーク、金融取引、ヘルスケア、人間の移動といった様々なアプリケーションにおいて重要な役割を果たす。
最近の研究は、イベントタイムをモデル化するためのニューラルネットワークベースのポイントプロセスを導入し、イベントタイムの予測に最先端のパフォーマンスを提供することを示した。
本稿では,ベイジアンモデルの不確実性モデリング能力とニューラルネットワークの一般化能力を利用する,新しい点過程モデルベイジアン・ニューラルホークス法を提案する。
論文 参考訳（メタデータ） (2021-12-29T09:47:22Z) - 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。