Fugu-MT 論文翻訳(概要): CasFT: Future Trend Modeling for Information Popularity Prediction with Dynamic Cues-Driven Diffusion Models

論文の概要: CasFT: Future Trend Modeling for Information Popularity Prediction with Dynamic Cues-Driven Diffusion Models

arxiv url: http://arxiv.org/abs/2409.16619v1
Date: Wed, 25 Sep 2024 05:03:16 GMT
ステータス: 処理完了
システム内更新日: 2024-09-27 05:35:28.465095
Title: CasFT: Future Trend Modeling for Information Popularity Prediction with Dynamic Cues-Driven Diffusion Models
Title（参考訳）: CasFT:動的キュー駆動拡散モデルによる情報人気予測の今後の動向モデリング
Authors: Xin Jing, Yichen Jing, Yuhuan Lu, Bangchao Deng, Xueqin Chen, Dingqi Yang,
Abstract要約: 本稿では,観測情報ニューラルズとODEを用いて抽出したダイナミックキューを活用して,未来増加傾向の発生を導出するCasFTを提案する。 3つの実世界のデータセットで実施された実験は、CasFTが最先端のアプローチと比較して予測精度を改善することを示した。
参考スコア（独自算出の注目度）: 5.302417649818668
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The rapid spread of diverse information on online social platforms has prompted both academia and industry to realize the importance of predicting content popularity, which could benefit a wide range of applications, such as recommendation systems and strategic decision-making. Recent works mainly focused on extracting spatiotemporal patterns inherent in the information diffusion process within a given observation period so as to predict its popularity over a future period of time. However, these works often overlook the future popularity trend, as future popularity could either increase exponentially or stagnate, introducing uncertainties to the prediction performance. Additionally, how to transfer the preceding-term dynamics learned from the observed diffusion process into future-term trends remains an unexplored challenge. Against this background, we propose CasFT, which leverages observed information Cascades and dynamic cues extracted via neural ODEs as conditions to guide the generation of Future popularity-increasing Trends through a diffusion model. These generated trends are then combined with the spatiotemporal patterns in the observed information cascade to make the final popularity prediction. Extensive experiments conducted on three real-world datasets demonstrate that CasFT significantly improves the prediction accuracy, compared to state-of-the-art approaches, yielding 2.2%-19.3% improvement across different datasets.
Abstract（参考訳）: オンラインソーシャルプラットフォーム上での多様な情報の急速な普及により、学術と産業の両方が、コンテンツの人気を予測することの重要性を認識し、レコメンデーションシステムや戦略的意思決定など幅広い応用に寄与する可能性がある。近年の研究では, 情報拡散過程に固有の時空間パターンを抽出し, 今後の普及を予測している。しかし、これらの作品は、将来の人気が指数関数的に増加するか停滞する可能性があり、予測性能に不確実性をもたらすため、将来の人気傾向をしばしば見落としている。さらに、観察された拡散過程から将来の傾向に学習した事前のダイナミクスをどう転送するかは、未解明の課題である。そこで本研究では,ニューラルネットワークを用いて抽出した観測情報カスケードとダイナミックキューを条件として利用し,拡散モデルによる今後の人気増加傾向を導出するCasFTを提案する。これらの傾向は、観測された情報カスケード内の時空間パターンと組み合わせて、最終的な人気予測を行う。 3つの実世界のデータセットで実施された大規模な実験は、CasFTが最先端のアプローチと比較して予測精度を著しく改善し、異なるデータセット間で2.2%-19.3%の改善をもたらすことを示した。

関連論文リスト

Deconfounding Time Series Forecasting [1.5967186772129907]
時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
論文参考訳（メタデータ） (2024-10-27T12:45:42Z)
Future-Guided Learning: A Predictive Approach To Enhance Time-Series Forecasting [4.866362841501992]
本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。提案手法は,重要な事象を特定するために将来的なデータを解析する検出モデルと,これらの事象を現在のデータに基づいて予測する予測モデルである。予測モデルと検出モデルの間に不一致が発生した場合、予測モデルはより実質的な更新を行う。
論文参考訳（メタデータ） (2024-10-19T21:22:55Z)
On Your Mark, Get Set, Predict! Modeling Continuous-Time Dynamics of Cascades for Information Popularity Prediction [5.464598715181046]
情報の普及を正確に予測する鍵は、基礎となる時間情報拡散過程を微妙にモデル化することにある。本稿では,情報人気予測のために,カスケードの連続時間ダイナミクスをモデル化したConCatを提案する。実世界の3つのデータセット上でConCatを評価するための広範な実験を行った。
論文参考訳（メタデータ） (2024-09-25T05:08:44Z)
AdaOcc: Adaptive Forward View Transformation and Flow Modeling for 3D Occupancy and Flow Prediction [56.72301849123049]
CVPR 2024 における nuScenes Open-Occ データセットチャレンジにおいて,視覚中心の3次元活動とフロー予測トラックのソリューションを提案する。我々の革新的なアプローチは、適応的なフォワード・ビュー・トランスフォーメーションとフロー・モデリングを取り入れることで、3次元の占有率とフロー予測を向上させる2段階のフレームワークである。提案手法は回帰と分類を組み合わせることで,様々な場面におけるスケールの変動に対処し,予測フローを利用して将来のフレームに現行のボクセル特徴をワープする。
論文参考訳（メタデータ） (2024-07-01T16:32:15Z)
Stochastic Diffusion: A Diffusion Probabilistic Model for Stochastic Time Series Forecasting [8.232475807691255]
本稿では,データ駆動型事前知識を各ステップで学習する新しい拡散(StochDiff)モデルを提案する。学習された事前知識は、複雑な時間的ダイナミクスとデータ固有の不確実性を捉えるのに役立つ。
論文参考訳（メタデータ） (2024-06-05T00:13:38Z)
Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文参考訳（メタデータ） (2024-01-17T07:58:18Z)
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)
Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文参考訳（メタデータ） (2022-04-18T09:25:06Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Leveraging Multiple Relations for Fashion Trend Forecasting Based on Social Media [72.06420633156479]
Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。 KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
論文参考訳（メタデータ） (2021-05-07T14:52:03Z)
Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations [13.680949377743392]
本稿では,このモデルから生成された予測が正確であるような拡散モデルの学習の問題に対処する。本稿では,スケーラブルな動的メッセージパッシング手法に基づく計算効率のよいアルゴリズムを提案する。学習モデルからの抽出可能な推論は,元のモデルと比較して限界確率の予測精度がよいことを示す。
論文参考訳（メタデータ） (2020-07-13T17:58:21Z)

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。