論文の概要: DeTPP: Leveraging Object Detection for Robust Long-Horizon Event Prediction

• arxiv url: http://arxiv.org/abs/2408.13131v1
• Date: Fri, 23 Aug 2024 14:57:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 14:41:09.657669
• Title: DeTPP: Leveraging Object Detection for Robust Long-Horizon Event Prediction
• Title（参考訳）: DeTPP:ロバストな長距離イベント予測のためのオブジェクト検出の活用
• Authors: Ivan Karpukhin, Andrey Savchenko,
• Abstract要約: ロングホライズン予測は小売、金融、ヘルスケア、ソーシャルネットワークなど、様々な分野における基本的な課題である。 コンピュータビジョンからオブジェクト検出手法にインスパイアされた新しいアプローチであるDeTPPを提案する。 提案手法は, 従来のMTPPおよび次世代K手法よりもはるかに優れた, 長距離イベント予測における最先端の手法である。
• 参考スコア（独自算出の注目度）: 1.534667887016089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting future events over extended periods, known as long-horizon prediction, is a fundamental task in various domains, including retail, finance, healthcare, and social networks. Traditional methods, such as Marked Temporal Point Processes (MTPP), typically use autoregressive models to predict multiple future events. However, these models frequently encounter issues such as converging to constant or repetitive outputs, which significantly limits their effectiveness and applicability. To overcome these limitations, we propose DeTPP (Detection-based Temporal Point Processes), a novel approach inspired by object detection methods from computer vision. DeTPP utilizes a novel matching-based loss function that selectively focuses on reliably predictable events, enhancing both training robustness and inference diversity. Our method sets a new state-of-the-art in long-horizon event prediction, significantly outperforming existing MTPP and next-K approaches. The implementation of DeTPP is publicly available on GitHub.
• Abstract（参考訳）: 長期にわたる未来イベントの予測は、小売、金融、ヘルスケア、ソーシャルネットワークなど、様々な領域における基本的な課題である。 MTPP (Marked Temporal Point Processes) のような伝統的な手法は、通常、複数の将来の事象を予測するために自己回帰モデルを使用する。 しかしながら、これらのモデルは、一定または反復的な出力に収束するなどの問題にしばしば遭遇し、その有効性と適用性を大幅に制限する。 これらの制約を克服するために,コンピュータビジョンからオブジェクト検出手法に触発された新しいアプローチであるDeTPP(Detection-based Temporal Point Processes)を提案する。 DeTPPは、信頼性の高い予測可能なイベントに選択的に焦点をあて、トレーニングの堅牢性と推論の多様性を向上する、新しいマッチングベースの損失関数を利用する。 提案手法は, 従来のMTPPおよび次世代K手法よりもはるかに優れた, 長距離イベント予測における最先端の手法である。 DeTPPの実装はGitHubで公開されている。

関連論文リスト

• 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)
• HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting? [1.3654846342364308]
  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。
  論文  参考訳（メタデータ） (2024-06-20T14:09:00Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• 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)
• Deep Representation Learning for Prediction of Temporal Event Sets in the Continuous Time Domain [9.71405768795797]
  時間的ポイントプロセスは、イベントの予測や予測において重要な役割を果たす。 この問題を解決するために,TPPをベースとしたスケーラブルで効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:46:31Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• 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)
• From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
  将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。 我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。 また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
  論文  参考訳（メタデータ） (2020-12-02T21:01:29Z)
• TTPP: Temporal Transformer with Progressive Prediction for Efficient Action Anticipation [46.28067541184604]
  ビデオアクション予測は、観察されたフレームから将来のアクションカテゴリを予測することを目的としている。 現在の最先端のアプローチは主に、履歴情報を隠された状態にエンコードするために、リカレントニューラルネットワークを利用する。 本稿では,プログレッシブ予測フレームワークを用いた簡易かつ効率的な時間変換器を提案する。
  論文  参考訳（メタデータ） (2020-03-07T07:59:42Z)

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。