論文の概要: A Plug-and-Play Bregman ADMM Module for Inferring Event Branches in Temporal Point Processes
- arxiv url: http://arxiv.org/abs/2501.04529v1
- Date: Wed, 08 Jan 2025 14:21:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-09 16:10:19.656553
- Title: A Plug-and-Play Bregman ADMM Module for Inferring Event Branches in Temporal Point Processes
- Title（参考訳）: 時間点過程におけるイベント分岐推定のためのプラグアンドプレイBregman ADMMモジュール
- Authors: Qingmei Wang, Yuxin Wu, Yujie Long, Jing Huang, Fengyuan Ran, Bing Su, Hongteng Xu,
- Abstract要約: 本稿では,Bregman ADMM (BADMM) アルゴリズムに基づく新しいプラグアンドプレイモジュールを設計する。
BADMMモジュールは、時間的ポイントプロセスの最大推定フレームワークにおいて、イベントシーケンスに関連するイベントブランチを推論する。
合成データと実世界のデータの両方の実験では、既存のTPPモデルと学習パラダイムにBADMMモジュールを組み込むことで、モデルのパフォーマンスが向上することが示された。
- 参考スコア（独自算出の注目度）: 31.178550564382075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An event sequence generated by a temporal point process is often associated with a hidden and structured event branching process that captures the triggering relations between its historical and current events. In this study, we design a new plug-and-play module based on the Bregman ADMM (BADMM) algorithm, which infers event branches associated with event sequences in the maximum likelihood estimation framework of temporal point processes (TPPs). Specifically, we formulate the inference of event branches as an optimization problem for the event transition matrix under sparse and low-rank constraints, which is embedded in existing TPP models or their learning paradigms. We can implement this optimization problem based on subspace clustering and sparse group-lasso, respectively, and solve it using the Bregman ADMM algorithm, whose unrolling leads to the proposed BADMM module. When learning a classic TPP (e.g., Hawkes process) by the expectation-maximization algorithm, the BADMM module helps derive structured responsibility matrices in the E-step. Similarly, the BADMM module helps derive low-rank and sparse attention maps for the neural TPPs with self-attention layers. The structured responsibility matrices and attention maps, which work as learned event transition matrices, indicate event branches, e.g., inferring isolated events and those key events triggering many subsequent events. Experiments on both synthetic and real-world data show that plugging our BADMM module into existing TPP models and learning paradigms can improve model performance and provide us with interpretable structured event branches. The code is available at \url{https://github.com/qingmeiwangdaily/BADMM_TPP}.
- Abstract（参考訳）: 時間的ポイントプロセスによって生成されたイベントシーケンスは、しばしば、その歴史的および現在のイベント間のトリガー関係をキャプチャする隠れた、構造化されたイベント分岐プロセスに関連付けられる。
本研究では,Bregman ADMM (BADMM) アルゴリズムに基づく新たなプラグイン・アンド・プレイ・モジュールを設計し,時間点プロセス(TPP)の最大推定フレームワークにおけるイベントシーケンスに関連するイベント分岐を推定する。
具体的には、既存のTPPモデルや学習パラダイムに埋め込まれたスパース制約および低ランク制約の下でのイベント遷移行列の最適化問題としてイベント分岐の推論を定式化する。
本稿では,サブスペースクラスタリングとスパースグループラッソに基づく最適化問題をそれぞれ実装し,Bregman ADMMアルゴリズムを用いて解く。
期待最大化アルゴリズムにより古典的TPP(例えばホークス過程)を学習すると、BADMMモジュールはEステップにおける構造的責任行列の導出を支援する。
同様に、BADMMモジュールは、自己注意層を持つ神経性TPPに対して、低ランクでスパースな注意マップを導出するのに役立つ。
学習したイベント遷移行列として機能する構造化された責任行列とアテンションマップは、イベントブランチ、例えば、独立したイベントを推論し、その後に続くイベントをトリガーする重要なイベントを示す。
合成データと実世界のデータの両方の実験により、既存のTPPモデルと学習パラダイムにBADMMモジュールを組み込むことで、モデルのパフォーマンスが向上し、解釈可能な構造化イベントブランチが提供されることが示された。
コードは \url{https://github.com/qingmeiwangdaily/BADMM_TPP} で公開されている。
関連論文リスト
- Reinforced Model Merging [53.84354455400038]
本稿では,タスク統合に適した環境とエージェントを含むRMM(Reinforced Model Merging)という,革新的なフレームワークを提案する。
評価プロセス中にデータサブセットを利用することで、報酬フィードバックフェーズのボトルネックに対処し、RMMを最大100倍高速化する。
論文 参考訳（メタデータ） (2025-03-27T08:52:41Z) - MAQInstruct: Instruction-based Unified Event Relation Extraction [14.39645749802163]
本稿では,MAQInstruct という命令ベースのイベント関係抽出フレームワークを提案する。
まず、与えられたイベント関連命令を用いてイベント関係を抽出することから、与えられたイベント関連命令を用いてイベントを選択することへ変換する。
そして、両部マッチング損失を組み込むことで、生成シーケンスに対する命令ベースの手法の依存性を低減する。
論文 参考訳（メタデータ） (2025-02-06T10:46:19Z) - Efficient Retrieval of Temporal Event Sequences from Textual Descriptions [0.0]
TPP-LLM-Embeddingは、自然言語記述に基づくイベントシーケンスの埋め込みと検索のための統一モデルである。
我々のモデルはイベントタイプと時間の両方をエンコードし、プールを通してシーケンスレベルの表現を生成します。
TPP-LLM-Embeddingは効率的な検索を可能にし、多様なデータセットのベースラインモデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-17T21:35:55Z) - Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。
私たちのフレームワークは、3つの新しい目標のファミリーにつながります。
Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
論文 参考訳（メタデータ） (2024-10-10T17:18:30Z) - Latent Logic Tree Extraction for Event Sequence Explanation from LLMs [19.90330712436838]
医療やロボティクスなどの現代のハイテイクシステムは、しばしば巨大なストリーミングイベントシーケンスを生成する。
我々のゴールは、Large Language Models (LLMs) から論理木に基づく説明を引き出すための効率的なプラグイン・アンド・プレイツールを設計し、観測された各イベントシーケンスに対するカスタマイズされた洞察を提供することです。
オンライン設定では、ローカルに構築された軽量なモデルが、数回だけ繰り返して、各シーケンスのLSMから最も関連性の高いルールを反復的に抽出します。
論文 参考訳（メタデータ） (2024-06-03T09:10:42Z) - Prompt-augmented Temporal Point Process for Streaming Event Sequence [18.873915278172095]
本稿では,ニューラル・テンポラル・ポイント・プロセス(TPP)モデルを継続的に監視するための新しいフレームワークを提案する。
PromptTPPは、3つの実際のユーザ行動データセットにわたって、最先端のパフォーマンスを一貫して達成する。
論文 参考訳（メタデータ） (2023-10-08T03:41:16Z) - Continuous-time convolutions model of event sequences [46.3471121117337]
イベントシーケンスは不均一でスパースであり、従来のモデルは不適当である。
我々は、時間とともに一様でない事象の発生を処理するために設計された効率的な畳み込みニューラルネットワークに基づくCOTICを提案する。
COTICは、次のイベント時間とタイプを予測する際に既存のモデルよりも優れており、最も近いライバルの3.714と比較して平均1.5のランクに達している。
論文 参考訳（メタデータ） (2023-02-13T10:34:51Z) - 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) - Markov Decision Process modeled with Bandits for Sequential Decision
Making in Linear-flow [73.1896399783641]
会員/加入者の獲得と保持では、複数のページを連続してマーケティングコンテンツを推奨する必要がある。
遷移確率行列をモデル化するためにBandits を用いた MDP としてこの問題を定式化することを提案する。
提案したMDPのBanditsアルゴリズムは,$epsilon$-greedyと$epsilon$-greedy,$epsilon$,IndependentBandits,InteractionBanditsでQ-learningを上回っている。
論文 参考訳（メタデータ） (2021-07-01T03:54:36Z) - Online Learning Probabilistic Event Calculus Theories in Answer Set
Programming [70.06301658267125]
イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。
本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。
その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
論文 参考訳（メタデータ） (2021-03-31T23:16:29Z) - Modular Deep Reinforcement Learning for Continuous Motion Planning with
Temporal Logic [59.94347858883343]
本稿では,マルコフ決定過程(MDP)をモデルとした自律動的システムの運動計画について検討する。
LDGBA と MDP の間に組込み製品 MDP (EP-MDP) を設計することである。
モデルフリー強化学習(RL)のためのLDGBAベースの報酬形成と割引スキームは、EP-MDP状態にのみ依存する。
論文 参考訳（メタデータ） (2021-02-24T01:11:25Z) - Conditional Generation of Temporally-ordered Event Sequences [29.44608199294757]
本稿では,イベントシーケンスの時間性だけでなく,イベント共起を捉えることができる条件生成モデルを提案する。
この単一モデルは、時間的順序付け、与えられたイベント列をそれらが発生した順序にソートすること、イベントを埋め込むことの両方に対処でき、既存のイベントの時間的順序付けシーケンスに適合する新しいイベントを予測できる。
論文 参考訳（メタデータ） (2020-12-31T18:10:18Z)
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。