論文の概要: Unmixing Noise from Hawkes Process to Model Learned Physiological Events

• arxiv url: http://arxiv.org/abs/2406.16938v1
• Date: Mon, 17 Jun 2024 09:57:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 06:31:46.695773
• Title: Unmixing Noise from Hawkes Process to Model Learned Physiological Events
• Title（参考訳）: ホークス過程から学習された生理事象への混合ノイズ
• Authors: Guillaume Staerman, Virginie Loison, Thomas Moreau,
• Abstract要約: この研究は、イベントにおける時間構造の共同学習に対処する新しいアプローチであるUNHaPを導入している。 イベント検出出力を構造化イベントと非構造化イベントの混合として扱うことで、UNHaPは効率的にこれらのプロセスを解き、パラメータを推定する。
• 参考スコア（独自算出の注目度）: 10.070697447427174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physiological signal analysis often involves identifying events crucial to understanding biological dynamics. Traditional methods rely on handcrafted procedures or supervised learning, presenting challenges such as expert dependence, lack of robustness, and the need for extensive labeled data. Data-driven methods like Convolutional Dictionary Learning (CDL) offer an alternative but tend to produce spurious detections. This work introduces UNHaP (Unmix Noise from Hawkes Processes), a novel approach addressing the joint learning of temporal structures in events and the removal of spurious detections. Leveraging marked Hawkes processes, UNHaP distinguishes between events of interest and spurious ones. By treating the event detection output as a mixture of structured and unstructured events, UNHaP efficiently unmixes these processes and estimates their parameters. This approach significantly enhances the understanding of event distributions while minimizing false detection rates.
• Abstract（参考訳）: 生理的信号分析は、しばしば生物学的力学を理解するのに不可欠な事象を特定することを含む。 従来の手法は手作りの手続きや教師あり学習に依存しており、専門家の依存、堅牢性の欠如、広範囲なラベル付きデータの必要性といった課題を提示している。 畳み込み辞書学習(CDL)のようなデータ駆動型手法は代替手段を提供するが、突発的な検出をもたらす傾向がある。 この研究は、事象における時間構造の共同学習と急激な検出の除去に対処する新しいアプローチであるUNHaP(Unmix Noise from Hawkes Processes)を導入している。 マークされたホークスプロセスを利用して、UNHaPは興味のある出来事と刺激的な出来事を区別する。 イベント検出出力を構造化イベントと非構造化イベントの混合として扱うことで、UNHaPは効率的にこれらのプロセスを解き、パラメータを推定する。 このアプローチは、誤検出率を最小限に抑えながら、事象の分布の理解を著しく向上させる。

関連論文リスト

• Inferring biological processes with intrinsic noise from cross-sectional data [0.8192907805418583]
  データから動的モデルを推定することは、計算生物学における重要な課題である。 確率フロー推論(PFI)は,ODE推論のアルゴリズム的容易性を維持しつつ,本質性から力を引き離すことを示す。 実例では,PFIは高次元反応ネットワークにおける正確なパラメータと力の推定を可能にし,分子ノイズによる細胞分化動態の推測を可能にする。
  論文  参考訳（メタデータ） (2024-10-10T00:33:25Z)
• Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations [14.828081841581296]
  MTPP(マークド・テンポラル・ポイント・プロセス)は、イベント・タイム・データの集合である。 近年の研究では、ディープニューラルネットワークを使用してイベントの複雑な時間的依存関係をキャプチャしている。 本稿では,プロセスの特性を異なる事象からの進化的影響の集合に分解する脱結合型MTPPフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-10T10:15:32Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• Structural Hawkes Processes for Learning Causal Structure from Discrete-Time Event Sequences [36.76562861154494]
  提案手法は,確率関数の最小化最大化とスパース最適化方式を特徴とする。 その結果、即時効果は呪いではなく祝福であり、因果構造は即時効果の存在下で識別可能であることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-10T08:52:07Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
  実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。 従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。 しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
  論文  参考訳（メタデータ） (2021-10-17T15:21:27Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Dynamic Hawkes Processes for Discovering Time-evolving Communities' States behind Diffusion Processes [57.22860407362061]
  拡散プロセスの背後にあるコミュニティ状態の基盤となるダイナミクスを捉えることができる新しいホークスプロセスモデルを提案する。 提案手法はDHPと呼ばれ、時間発展するコミュニティの状態の複雑な表現を学習するための柔軟な方法を提供する。
  論文  参考訳（メタデータ） (2021-05-24T08:35:48Z)
• Latent Network Structure Learning from High Dimensional Multivariate Point Processes [5.079425170410857]
  本研究では,観測データの基盤となる複雑な過程を特徴付けるために,非定常ホークスプロセスの新たなクラスを提案する。 効率のよい最小二乗推定手法を用いて潜在ネットワーク構造を推定する。 シミュレーション研究を通じて提案手法の有効性を実証し, ニューロンスパイクトレインデータセットへの適用について述べる。
  論文  参考訳（メタデータ） (2020-04-07T17:48:01Z)

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。