論文の概要: Advances in Temporal Point Processes: Bayesian, Deep, and LLM Approaches

• arxiv url: http://arxiv.org/abs/2501.14291v1
• Date: Fri, 24 Jan 2025 07:13:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:58:20.004229
• Title: Advances in Temporal Point Processes: Bayesian, Deep, and LLM Approaches
• Title（参考訳）: 時間的ポイントプロセスの進歩:ベイジアン、ディープ、LLMアプローチ
• Authors: Feng Zhou, Quyu Kong, Yixuan Zhang,
• Abstract要約: TPP(Temporal Point Process)は、連続的に発生するイベントシーケンスを特徴付けるプロセスモデルである。 近年、ディープラーニングの進歩は神経性TPPの開発を加速させ、柔軟性と表現力を高めている。 大規模言語モデル(LLM)の出現はさらに興奮を呼び、イベントシーケンスのモデリングと分析の新しい可能性をもたらした。
• 参考スコア（独自算出の注目度）: 22.746572585891233
• License:
• Abstract: Temporal point processes (TPPs) are stochastic process models used to characterize event sequences occurring in continuous time. Traditional statistical TPPs have a long-standing history, with numerous models proposed and successfully applied across diverse domains. In recent years, advances in deep learning have spurred the development of neural TPPs, enabling greater flexibility and expressiveness in capturing complex temporal dynamics. The emergence of large language models (LLMs) has further sparked excitement, offering new possibilities for modeling and analyzing event sequences by leveraging their rich contextual understanding. This survey presents a comprehensive review of recent research on TPPs from three perspectives: Bayesian, deep learning, and LLM approaches. We begin with a review of the fundamental concepts of TPPs, followed by an in-depth discussion of model design and parameter estimation techniques in these three frameworks. We also revisit classic application areas of TPPs to highlight their practical relevance. Finally, we outline challenges and promising directions for future research.
• Abstract（参考訳）: 時間点過程(TPPs)は、連続的に発生する事象列を特徴付けるための確率過程モデルである。 伝統的な統計的TPPは長年の歴史を持ち、様々な領域にまたがって多くのモデルが提案され、うまく適用された。 近年、ディープラーニングの進歩により、神経性TPPの開発が加速し、複雑な時間的ダイナミクスを捉える際の柔軟性と表現性が向上した。 大規模言語モデル(LLM)の出現はさらに興奮を呼び、リッチなコンテキスト理解を活用することで、イベントシーケンスのモデリングと分析に新たな可能性をもたらした。 本調査では, ベイジアン, ディープラーニング, LLM アプローチの3つの観点から, TPP に関する最近の研究を概観する。 これら3つのフレームワークにおけるモデル設計とパラメータ推定手法の詳細な議論に続き、TPPの基本概念のレビューから始める。 また、TPPの古典的な適用領域を再検討し、その実践的妥当性を強調します。 最後に,今後の研究の課題と今後の方向性について概説する。

関連論文リスト

• TPP-Gaze: Modelling Gaze Dynamics in Space and Time with Neural Temporal Point Processes [63.95928298690001]
  ニューラル・テンポラル・ポイント・プロセス(TPP)に基づく新規かつ原則化されたスキャンパスダイナミクスのアプローチであるTPP-Gazeを提案する。 提案手法は,最先端手法と比較して総合的に優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-30T19:22:38Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• 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)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• A Communication Theory Perspective on Prompting Engineering Methods for Large Language Models [30.57652062704016]
  本稿では,既存の通信理論の枠組みの中で,既存のプロンプトエンジニアリング(PE)手法をレビューするための新たな視点について述べる。 4つの典型的なタスクで使われている既存のPEメソッドのトレンドを、より良く、より深く理解することを目的としている。
  論文  参考訳（メタデータ） (2023-10-24T03:05:21Z)
• On the Predictive Accuracy of Neural Temporal Point Process Models for Continuous-time Event Data [3.13468877208035]
  時間的ポイントプロセス(TPP)は、非同期イベントシーケンスを連続的にモデル化するための標準的な数学的フレームワークとして機能する。 ニューラルネットワークのパラメトリゼーションを活用し、より柔軟で効率的なモデリングを提供するNeural TPPを提案する。 本研究では,最先端のニューラルTPPモデルの予測精度を系統的に評価する。
  論文  参考訳（メタデータ） (2023-06-29T16:14:43Z)
• A Survey on Deep Learning based Time Series Analysis with Frequency Transformation [74.3919960186696]
  周波数変換(FT)は、時系列解析における最先端の精度と効率を高めるために、ディープラーニングモデルにますます取り入れられている。 この新興分野における注目の高まりと研究の高まりにもかかわらず、現在、FTを用いたディープラーニングベースの時系列モデルの体系的レビューと詳細な分析が欠如している。 本稿では,FTを用いた深層学習に基づく時系列解析における最近の研究成果を体系的に研究し,要約する総合的なレビューを紹介する。
  論文  参考訳（メタデータ） (2023-02-04T14:33:07Z)
• Modeling Time-Series and Spatial Data for Recommendations and Other Applications [1.713291434132985]
  我々は,CTESデータの品質が低いために発生する可能性のある問題をレコメンデーションシステムに入力する。 CTESデータの質を向上させるため、時間的シーケンスにおける欠落イベントを克服する根本的な問題に対処する。 我々は、大規模CTES検索と人間の活動予測のためのソリューションの設計にそれらの能力を拡張した。
  論文  参考訳（メタデータ） (2022-12-25T09:34:15Z)
• Pre-Trained Models: Past, Present and Future [126.21572378910746]
  大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。 知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。 AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
  論文  参考訳（メタデータ） (2021-06-14T02:40:32Z)
• Neural Temporal Point Processes: A Review [25.969319777457606]
  時間点過程 (TPP) は連続時間事象列の確率的生成モデルである。 ニューラルTPPは、ポイントプロセスの文献とディープラーニングのアプローチの基本的な考え方を組み合わせる。
  論文  参考訳（メタデータ） (2021-04-08T06:10:50Z)

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。