論文の概要: HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting?
- arxiv url: http://arxiv.org/abs/2406.14341v1
- Date: Thu, 20 Jun 2024 14:09:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 13:22:35.656213
- Title: HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting?
- Title（参考訳）: HoTPPベンチマーク:ロング・ホライゾン・イベントの予測は良いか?
- Authors: Ivan Karpukhin, Foma Shipilov, Andrey Savchenko,
- Abstract要約: シーケンシャルなイベント予測では、重要なタスクは、指定された時間軸内で複数の将来のイベントを予測することである。
伝統的に、これは次世代予測モデルを用いた自己回帰生成によって解決されてきた。
モデルが水平線上でイベントシーケンスを予測できる能力を評価するために特別に設計された新しいベンチマークであるHoTPPを導入する。
- 参考スコア（独自算出の注目度）: 1.3654846342364308
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In sequential event prediction, which finds applications in finance, retail, social networks, and healthcare, a crucial task is forecasting multiple future events within a specified time horizon. Traditionally, this has been addressed through autoregressive generation using next-event prediction models, such as Marked Temporal Point Processes. However, autoregressive methods use their own output for future predictions, potentially reducing quality as the prediction horizon extends. In this paper, we challenge traditional approaches by introducing a novel benchmark, HoTPP, specifically designed to evaluate a model's ability to predict event sequences over a horizon. This benchmark features a new metric inspired by object detection in computer vision, addressing the limitations of existing metrics in assessing models with imprecise time-step predictions. Our evaluations on established datasets employing various models demonstrate that high accuracy in next-event prediction does not necessarily translate to superior horizon prediction, and vice versa. HoTPP aims to serve as a valuable tool for developing more robust event sequence prediction methods, ultimately paving the way for further advancements in the field.
- Abstract（参考訳）: ファイナンス、小売、ソーシャルネットワーク、ヘルスケアの応用を見つけるシーケンシャルなイベント予測において、重要なタスクは、指定された時間軸内で複数の将来のイベントを予測することである。
伝統的に、これはマーク付きテンポラルポイントプロセスのような次世代予測モデルを用いた自己回帰生成によって解決されてきた。
しかし、自己回帰法は将来の予測に独自の出力を使用し、予測の地平線が広がるにつれて品質が低下する可能性がある。
本稿では,新しいベンチマークであるHoTPPを導入することで,モデルが水平線上でイベント列を予測する能力を評価することによって,従来のアプローチに挑戦する。
このベンチマークは、コンピュータビジョンにおけるオブジェクト検出にインスパイアされた新しいメトリクスを特徴とし、不正確な時間ステップ予測を持つモデルを評価する際の既存のメトリクスの限界に対処する。
各種モデルを用いた定式化データセットの評価では,次点予測の精度が必ずしも優れた地平線予測に変換されないことが示され,その逆も示される。
HoTPPは、より堅牢なイベントシーケンス予測手法を開発するための貴重なツールとして機能することを目指している。
関連論文リスト
- DeTPP: Leveraging Object Detection for Robust Long-Horizon Event Prediction [1.534667887016089]
本稿では,コンピュータビジョンからオブジェクト検出技術に触発された新しいアプローチであるDeTPPを紹介する。
DeTPPはユニークなマッチングベースの損失関数を採用し、確実に予測可能なイベントを選択的に優先順位付けする。
提案したハイブリッドアプローチは、大規模トランザクションデータセット上での次のイベント予測の精度を最大2.7%向上させる。
論文 参考訳（メタデータ） (2024-08-23T14:57:46Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - STEMO: Early Spatio-temporal Forecasting with Multi-Objective Reinforcement Learning [11.324029387605888]
本稿では,多目的強化学習に基づく早期時相予測モデルを提案する。
提案手法は,3つの大規模実世界のデータセットに対して優れた性能を示す。
論文 参考訳（メタデータ） (2024-06-06T13:03:51Z) - Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes:
Functional and Augmented Data Structures in Financial Forecasting [0.0]
本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。
GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。
これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
論文 参考訳（メタデータ） (2024-02-23T06:09:45Z) - Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-14T18:20:44Z) - SMURF-THP: Score Matching-based UnceRtainty quantiFication for
Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。
具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。
我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文 参考訳（メタデータ） (2023-10-25T03:33:45Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳（メタデータ） (2023-10-25T02:37:51Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - Low Rank Forecasting [0.0]
我々は,過去の値を用いて,ベクトル時系列の未来の複数の値を予測する問題について考察する。
私たちの焦点は、低いランクの予測者であり、予測を2段階に分割することです。
予測整合性の概念を導入する。これは,異なるタイミングで同じ値の推定値が一貫したことを意味する。
論文 参考訳（メタデータ） (2021-01-29T05:59:19Z) - Long Horizon Forecasting With Temporal Point Processes [22.896152113905856]
MTPP(Marked temporal point process)は、非同期イベントを特徴付ける強力なモデリング機構として登場した。
本稿では,長期の地平線予測に特に適したデュアルTPPを開発する。
実際のデータセットの多様なセットによる実験は、DualTPPが既存のMTPP手法を長地平線予測で大幅に上回っていることを示しています。
論文 参考訳（メタデータ） (2021-01-08T01:09:09Z)
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。