論文の概要: HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting?

• arxiv url: http://arxiv.org/abs/2406.14341v2
• Date: Wed, 02 Oct 2024 13:24:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-03 15:16:51.838118
• 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: 金融、小売、ソーシャルネットワーク、ヘルスケアアプリケーションには、所定の時間内に複数の将来のイベントを正確に予測することが不可欠である。 コンピュータビジョンからの物体検出技術に触発された新しい評価手法を提案する。 今後の研究を支援するため, MTPPの長期予測を明示的に評価するために設計された最初のベンチマークである HoTPP をリリースする。
• 参考スコア（独自算出の注目度）: 1.3654846342364308
• License:
• Abstract: Accurately forecasting multiple future events within a given time horizon is crucial for finance, retail, social networks, and healthcare applications. Event timing and labels are typically modeled using Marked Temporal Point Processes (MTPP), with evaluations often focused on next-event prediction quality. While some studies have extended evaluations to a fixed number of future events, we demonstrate that this approach leads to inaccuracies in handling false positives and false negatives. To address these issues, we propose a novel evaluation method inspired by object detection techniques from computer vision. Specifically, we introduce Temporal mean Average Precision (T-mAP), a temporal variant of mAP, which overcomes the limitations of existing long-horizon evaluation metrics. Our extensive experiments demonstrate that models with strong next-event prediction accuracy can yield poor long-horizon forecasts and vice versa, indicating that specialized methods are needed for each task. To support further research, we release HoTPP, the first benchmark designed explicitly for evaluating long-horizon MTPP predictions. HoTPP includes large-scale datasets with up to 43 million events and provides optimized procedures for both autoregressive and parallel inference, paving the way for future advancements in the field.
• Abstract（参考訳）: 金融、小売、ソーシャルネットワーク、ヘルスケアアプリケーションには、所定の時間内に複数の将来のイベントを正確に予測することが不可欠である。 イベントのタイミングとラベルは一般的にMTPP(Marked Temporal Point Processs)を使用してモデル化される。 いくつかの研究は、一定の数の将来の事象に対して評価を拡大しているが、この手法が偽陽性や偽陰性を扱う不正確な結果をもたらすことを実証している。 これらの課題に対処するために,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評価手法を提案する。 具体的には、時間平均平均平均精度(T-mAP)を導入する。これはmAPの時間変種であり、既存の長期評価指標の限界を克服するものである。 大規模な実験により, 強い次点予測精度を持つモデルでは, 長軸予測が不十分であり, またその逆も可能であり, 各タスクに特別な手法が必要であることを示す。 今後の研究を支援するため, MTPPの長期予測を明示的に評価するために設計された最初のベンチマークである HoTPP をリリースする。 HoTPPには、最大43万のイベントを持つ大規模なデータセットが含まれており、自動回帰と並列推論の両方に最適化された手順を提供し、この分野における今後の進歩への道を開く。

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。