論文の概要: XTSFormer: Cross-Temporal-Scale Transformer for Irregular Time Event Prediction

• arxiv url: http://arxiv.org/abs/2402.02258v1
• Date: Sat, 3 Feb 2024 20:33:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 21:02:16.408483
• Title: XTSFormer: Cross-Temporal-Scale Transformer for Irregular Time Event Prediction
• Title（参考訳）: XTSFormer: 時間イベント予測のためのクロステンポラリスケールトランス
• Authors: Tingsong Xiao, Zelin Xu, Wenchong He, Jim Su, Yupu Zhang, Raymond Opoku, Ronald Ison, Jason Petho, Jiang Bian, Patrick Tighe, Parisa Rashidi, Zhe Jiang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.240950990926796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event prediction aims to forecast the time and type of a future event based on a historical event sequence. Despite its significance, several challenges exist, including the irregularity of time intervals between consecutive events, the existence of cycles, periodicity, and multi-scale event interactions, as well as the high computational costs for long event sequences. Existing neural temporal point processes (TPPs) methods do not capture the multi-scale nature of event interactions, which is common in many real-world applications such as clinical event data. To address these issues, we propose the cross-temporal-scale transformer (XTSFormer), designed specifically for irregularly timed event data. Our model comprises two vital components: a novel Feature-based Cycle-aware Time Positional Encoding (FCPE) that adeptly captures the cyclical nature of time, and a hierarchical multi-scale temporal attention mechanism. These scales are determined by a bottom-up clustering algorithm. Extensive experiments on several real-world datasets show that our XTSFormer outperforms several baseline methods in prediction performance.
• Abstract（参考訳）: 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、周期性、複数スケールのイベント相互作用の存在、および長いイベントシーケンスに対する高い計算コストなど、いくつかの課題が存在する。 既存のニューラル・テンポラル・ポイント・プロセス(TPP)法は、臨床イベントデータのような現実の多くの応用で一般的なイベント相互作用のマルチスケールの性質を捉えない。 これらの問題に対処するため,不規則な時間的イベントデータを対象としたクロステンポラリスケールトランスフォーマ (XTSFormer) を提案する。 本モデルでは,時間周期の性質を包括的に捉えた特徴に基づく周期的時間位置エンコーディング(FCPE)と,階層的マルチスケールの時間的注意機構の2つの重要な要素からなる。 これらのスケールはボトムアップクラスタリングアルゴリズムによって決定される。 いくつかの実世界のデータセットに対する大規模な実験により、我々のXTSFormerは予測性能においていくつかのベースライン法より優れていることが示された。

関連論文リスト

• Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
  マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。 術後合併症9例の発症予測に基礎的アプローチを応用した。
  論文  参考訳（メタデータ） (2024-03-06T19:46:44Z)
• Sequential Multi-Dimensional Self-Supervised Learning for Clinical Time Series [3.635056427544418]
  本稿では,臨床時系列データを対象とした自己教師付き学習手法を提案する。 本手法は各レベルにおける損失関数の特定の形態に依存しない。 本手法を実世界の2つの臨床データセットで評価する。
  論文  参考訳（メタデータ） (2023-07-20T14:49:58Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Long-term stable Electromyography classification using Canonical Correlation Analysis [5.949779668853555]
  表面筋電図(sEMG)信号に基づく手のジェスチャーの識別は、補綴器を制御するための確立されたアプローチである。 最も重要な課題の1つは、復号システムを再訓練することなく、数日にわたって高いEMGデータ分類性能を維持することである。 本稿では, 補綴装置の長期制御のために, 複数日にわたってEMG分類性能を安定させる新しい統計手法を提案する。
  論文  参考訳（メタデータ） (2023-01-23T21:45:00Z)
• Granger Causal Chain Discovery for Sepsis-Associated Derangements via Continuous-Time Hawkes Processes [10.410454851418548]
  拡張性のある2相勾配法を開発し,最大サロゲート形状推定値を求める。 本手法はアトランタのグレーディ病院に入院した患者のデータに拡張され,GCグラフでは敗血症に先行するいくつかの高度に解釈可能なGC鎖を同定した。
  論文  参考訳（メタデータ） (2022-09-09T18:21:30Z)
• Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
  我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。 本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
  論文  参考訳（メタデータ） (2022-02-11T01:29:02Z)
• Learning Neural Models for Continuous-Time Sequences [0.0]
  連続時間イベントシーケンス(CTES)の特性について検討し、上記の問題を克服するために、堅牢でスケーラブルなニューラルネットワークベースモデルを設計する。 本研究では,MTPPを用いた事象の生成過程をモデル化し,現実世界の幅広い問題に対処する。
  論文  参考訳（メタデータ） (2021-11-13T20:39:15Z)
• Interval-censored Hawkes processes [82.87738318505582]
  本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。 我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
  論文  参考訳（メタデータ） (2021-04-16T07:29:04Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)
• 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)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。