論文の概要: Learning Structure-enhanced Temporal Point Processes with Gromov-Wasserstein Regularization

• arxiv url: http://arxiv.org/abs/2503.23002v1
• Date: Sat, 29 Mar 2025 07:47:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:38:06.489621
• Title: Learning Structure-enhanced Temporal Point Processes with Gromov-Wasserstein Regularization
• Title（参考訳）: Gromov-Wasserstein正則化を用いた構造強化時間点過程の学習
• Authors: Qingmei Wang, Fanmeng Wang, Bing Su, Hongteng Xu,
• Abstract要約: 我々はGromov-Wasserstein(GW)正則化の助けを借りて構造強化TPPを学習する。 大規模アプリケーションでは、カーネル行列をサンプリングし、Gromov-Wasserstein (GW) の離散項として正規化を実装する。 この方法で学習したTPPは、クラスタ化されたシーケンスを埋め込み、競合予測およびクラスタリング性能を示す。
• 参考スコア（独自算出の注目度）: 31.23290588877332
• License:
• Abstract: Real-world event sequences are often generated by different temporal point processes (TPPs) and thus have clustering structures. Nonetheless, in the modeling and prediction of event sequences, most existing TPPs ignore the inherent clustering structures of the event sequences, leading to the models with unsatisfactory interpretability. In this study, we learn structure-enhanced TPPs with the help of Gromov-Wasserstein (GW) regularization, which imposes clustering structures on the sequence-level embeddings of the TPPs in the maximum likelihood estimation framework.In the training phase, the proposed method leverages a nonparametric TPP kernel to regularize the similarity matrix derived based on the sequence embeddings. In large-scale applications, we sample the kernel matrix and implement the regularization as a Gromov-Wasserstein (GW) discrepancy term, which achieves a trade-off between regularity and computational efficiency.The TPPs learned through this method result in clustered sequence embeddings and demonstrate competitive predictive and clustering performance, significantly improving the model interpretability without compromising prediction accuracy.
• Abstract（参考訳）: 実世界のイベントシーケンスは、しばしば異なる時間点プロセス(TPP)によって生成されるため、クラスタリング構造を持つ。 それでも、イベントシーケンスのモデリングと予測において、既存のTPPはイベントシーケンスの固有のクラスタリング構造を無視しており、不満足な解釈性を持つモデルに繋がる。 本研究では,Gromov-Wasserstein(GW)正規化の助けを借りて構造強化TPPを学習し,最大最大推定フレームワークにおけるTPPの配列レベルの埋め込みにクラスタリング構造を課す。 大規模アプリケーションでは、カーネル行列をサンプリングし、正規性と計算効率のトレードオフを実現するGromov-Wasserstein(GW)離散項として正規化を実装し、この方法で学習したTPPはクラスタ化シーケンスの埋め込みを行い、競合予測およびクラスタリング性能を示し、予測精度を損なうことなくモデル解釈性を大幅に向上させる。

関連論文リスト

• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• Approximate learning of parsimonious Bayesian context trees [0.0]
  提案するフレームワークは、合成および実世界のデータ例に基づいてテストされる。 これは、実際のタンパク質配列やハニーポットコンピュータターミナルセッションに適合すると、既存のシーケンスモデルより優れている。
  論文  参考訳（メタデータ） (2024-07-27T11:50:40Z)
• Negative-Binomial Randomized Gamma Markov Processes for Heterogeneous Overdispersed Count Time Series [34.31866715010829]
  提案する力学系の予測性能を向上する負二項ランダム化ガンママルコフ過程を提案する。 また、因子構造とグラフ構造遷移ダイナミクスの両方を推定し、より説明可能な潜在構造を推測する手法も開発している。
  論文  参考訳（メタデータ） (2024-02-29T09:46:47Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Controlling the Complexity and Lipschitz Constant improves polynomial nets [55.121200972539114]
  多項式ネットの結合CP分解(CCP)モデルとNested Coupled CP分解(NCP)モデルに対する新しい複雑性境界を導出する。 本研究では、6つのデータセットで実験的に評価し、モデルが逆摂動に対して頑健であるとともに精度も向上することを示す。
  論文  参考訳（メタデータ） (2022-02-10T14:54:29Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Cluster Regularization via a Hierarchical Feature Regression [0.0]
  本稿では,階層的特徴回帰(HFR)という新しいクラスタベース正規化を提案する。 機械学習とグラフ理論の領域からの洞察を動員し、予測セットの教師付き階層表現に沿ってパラメータを推定する。 経済成長予測への応用は、実証的な環境でのHFRの有効性を示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-10T13:03:01Z)
• Temporal-Structure-Assisted Gradient Aggregation for Over-the-Air Federated Edge Learning [24.248673415586413]
  本稿では,モデル集約系列の固有時間構造を特徴付けるマルコフ確率モデルを提案する。 本研究では,時間構造支援勾配集約(TSA-GA)と呼ばれるメッセージパッシングアルゴリズムを開発し,この推定課題を満たす。 提案するtsagaアルゴリズムは最先端技術を大幅に上回り,同等の学習性能を達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-03T09:13:27Z)
• Posterior Differential Regularization with f-divergence for Improving Model Robustness [95.05725916287376]
  クリーン入力とノイズ入力のモデル後部差を規則化する手法に着目する。 後微分正則化を$f$-divergencesの族に一般化する。 実験の結果, 後方微分を$f$-divergenceで正規化することで, モデルロバスト性の向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-10-23T19:58:01Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。