Fugu-MT 論文翻訳(概要): Learning causation event conjunction sequences

論文の概要: Learning causation event conjunction sequences

arxiv url: http://arxiv.org/abs/2402.14027v1
Date: Sat, 17 Feb 2024 22:26:56 GMT
ステータス: 処理完了
システム内更新日: 2024-02-25 16:56:50.987040
Title: Learning causation event conjunction sequences
Title（参考訳）: 因果イベント結合配列の学習
Authors: Thomas E. Portegys
Abstract要約: ANN(recurrent and non-recurrent Artificial Neural Network)やヒストグラムに基づくアルゴリズムなどがある。 ANN は ANN の中で最も優れ,ヒストグラムアルゴリズムはすべての ANN よりも優れていた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: This is an examination of some methods that learn causations in event sequences. A causation is defined as a conjunction of one or more cause events occurring in an arbitrary order, with possible intervening non-causal events, that lead to an effect. The methods include recurrent and non-recurrent artificial neural networks (ANNs), as well as a histogram-based algorithm. An attention recurrent ANN performed the best of the ANNs, while the histogram algorithm was significantly superior to all the ANNs.
Abstract（参考訳）: これは、イベントシーケンスで因果関係を学ぶいくつかの方法の検討である。因果関係は、任意の順序で起こる1つ以上の原因事象と、影響をもたらす可能性のある非因果関係事象の結合として定義される。この手法には、ANN(recurrent and non-recurrent Artificial Neural Network)やヒストグラムベースのアルゴリズムが含まれる。 ANN は ANN の中で最も優れ,ヒストグラムアルゴリズムはすべての ANN よりも優れていた。

関連論文リスト

Continuous-time convolutions model of event sequences [46.3471121117337]
イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。 COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
論文参考訳（メタデータ） (2023-02-13T10:34:51Z)
Identifying Unique Causal Network from Nonstationary Time Series [15.204794081719097]
本稿では,Unique Causal Network (UCN) という新しい因果関係モデルを提案する。 UCNは時間遅延の影響を考慮し、得られたネットワーク構造の特異性を証明する。高次因果エントロピー(HCE)アルゴリズムは、UCNの構造を分散的に識別するように設計されている。
論文参考訳（メタデータ） (2022-11-18T08:28:54Z)
Learning Point Processes using Recurrent Graph Network [11.445441489156027]
本稿では,RGN(Recurrent Graph Network)アプローチを提案する。 Graph NetworkのノードはLSTMを使用して過去の情報を取り込み、Graph Attention Network(GAT Network)はこれらの異なるタイプのイベント間のインタラクションをキャプチャするために強力な誘導バイアスを導入している。実験により,提案手法は,最先端の Transformer ベースのアーキテクチャと比較して,時間と空間の複雑さを低減し,ログライクなタスク,予測,適度なタスクのパフォーマンスを向上させることが示された。
論文参考訳（メタデータ） (2022-08-11T10:08:23Z)
Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
論文参考訳（メタデータ） (2022-07-20T07:26:15Z)
Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文参考訳（メタデータ） (2022-05-13T21:09:41Z)
AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
論文参考訳（メタデータ） (2022-03-31T16:21:12Z)
COHORTNEY: Deep Clustering for Heterogeneous Event Sequences [9.811178291117496]
イベントシーケンスのクラスタリングは、ヘルスケア、マーケティング、金融などの分野で広く適用されます。異種事象列をクラスタリングするための新しい深層学習手法としてCOHORTNEYを提案する。その結果,cohortneyは,イベントシーケンスをクラスタリングする最先端アルゴリズムの速度とクラスタ品質を大きく上回っていることがわかった。
論文参考訳（メタデータ） (2021-04-03T16:12:21Z)
Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete Events Based On Autoencoder [5.781280693720236]
侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
論文参考訳（メタデータ） (2020-12-27T16:31:05Z)
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)
Optimization and Generalization Analysis of Transduction through Gradient Boosting and Application to Multi-scale Graph Neural Networks [60.22494363676747]
現在のグラフニューラルネットワーク(GNN)は、オーバースムーシング(over-smoothing)と呼ばれる問題のため、自分自身を深くするのは難しいことが知られている。マルチスケールGNNは、オーバースムーシング問題を緩和するための有望なアプローチである。マルチスケールGNNを含むトランスダクティブ学習アルゴリズムの最適化と一般化を保証する。
論文参考訳（メタデータ） (2020-06-15T17:06:17Z)

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。