論文の概要: ADiff4TPP: Asynchronous Diffusion Models for Temporal Point Processes
- arxiv url: http://arxiv.org/abs/2504.20411v1
- Date: Tue, 29 Apr 2025 04:17:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.748683
- Title: ADiff4TPP: Asynchronous Diffusion Models for Temporal Point Processes
- Title（参考訳）: ADiff4TPP:時間点プロセスのための非同期拡散モデル
- Authors: Amartya Mukherjee, Ruizhi Deng, He Zhao, Yuzhen Mao, Leonid Sigal, Frederick Tung,
- Abstract要約: 本研究は,非同期ノイズスケジュールを持つ拡散モデルを用いて時間点過程をモデル化するための新しいアプローチを導入する。
本研究では,条件付き流れマッチングに基づく騒音スケジュールの一般的なファミリに対して,これらのモデルを効果的に訓練する目的を導出する。
提案手法は,時系列におけるイベントの潜在表現と最先端結果の連成分布を実現し,次のイベント間時間とイベントタイプをベンチマークデータセット上で予測する。
- 参考スコア（独自算出の注目度）: 30.928368603673285
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This work introduces a novel approach to modeling temporal point processes using diffusion models with an asynchronous noise schedule. At each step of the diffusion process, the noise schedule injects noise of varying scales into different parts of the data. With a careful design of the noise schedules, earlier events are generated faster than later ones, thus providing stronger conditioning for forecasting the more distant future. We derive an objective to effectively train these models for a general family of noise schedules based on conditional flow matching. Our method models the joint distribution of the latent representations of events in a sequence and achieves state-of-the-art results in predicting both the next inter-event time and event type on benchmark datasets. Additionally, it flexibly accommodates varying lengths of observation and prediction windows in different forecasting settings by adjusting the starting and ending points of the generation process. Finally, our method shows superior performance in long-horizon prediction tasks, outperforming existing baseline methods.
- Abstract（参考訳）: 本研究は,非同期ノイズスケジュールを持つ拡散モデルを用いて時間点過程をモデル化するための新しいアプローチを導入する。
拡散過程の各ステップにおいて、ノイズスケジュールは様々なスケールのノイズをデータの異なる部分に注入する。
ノイズスケジュールの注意深い設計により、初期のイベントはその後のイベントよりも早く生成されるため、より遠い未来を予測するためのより強い条件付けが提供される。
本研究では,条件付き流れマッチングに基づく騒音スケジュールの一般的なファミリに対して,これらのモデルを効果的に訓練する目的を導出する。
提案手法は, 時系列におけるイベントの潜在表現の連成分布をモデル化し, 次のイベント間時間とイベントタイプをベンチマークデータセット上で予測する。
また、生成プロセスの開始点と終了点を調整することにより、異なる予測設定で、観測および予測ウィンドウの変動長を柔軟に許容する。
最後に,提案手法は,従来のベースライン法よりも優れた長軸予測タスクにおいて,優れた性能を示す。
関連論文リスト
- Constant Rate Schedule: Constant-Rate Distributional Change for Efficient Training and Sampling in Diffusion Models [16.863038973001483]
ノイズスケジュールは、拡散したデータの確率分布の変化率を一定に保証する。
ノイズスケジュールは自動的に決定され、各データセットと種類の拡散モデルに合わせて調整される。
論文 参考訳（メタデータ） (2024-11-19T03:02:39Z) - Improved Noise Schedule for Diffusion Training [51.849746576387375]
本稿では,拡散モデルのトレーニングを強化するため,ノイズスケジュールを設計するための新しい手法を提案する。
我々は,標準のコサインスケジュールよりもノイズスケジュールの方が優れていることを実証的に示す。
論文 参考訳（メタデータ） (2024-07-03T17:34:55Z) - Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。
因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
論文 参考訳（メタデータ） (2024-07-01T15:43:25Z) - Fine-grained Forecasting Models Via Gaussian Process Blurring Effect [6.472434306724611]
時系列予測は、複雑な時間的依存関係と動的な時間的依存関係が存在するため、困難なタスクである。
より多くのトレーニングデータを使用することで精度が向上するが、このソースは制限されることが多い。
我々は、エンドツーエンドの予測・デノゲーションパラダイムを提唱し、画像生成のためのDenoisingアプローチを成功させています。
論文 参考訳（メタデータ） (2023-12-21T20:25:16Z) - Interacting Diffusion Processes for Event Sequence Forecasting [20.380620709345898]
拡散生成モデルを組み込んだ新しい手法を提案する。
このモデルはシーケンス・ツー・シーケンスの予測を容易にし、過去のイベント・シーケンスに基づいた複数ステップの予測を可能にする。
提案手法は,TPPの長期予測において,最先端のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-26T22:17:25Z) - Predict, Refine, Synthesize: Self-Guiding Diffusion Models for
Probabilistic Time Series Forecasting [10.491628898499684]
時系列の非条件学習拡散モデルであるTSDiffを提案する。
提案する自己誘導機構により、補助的ネットワークやトレーニング手順の変更を必要とせず、推論中に下流タスクに対してTSDiffを条件付けることができる。
本研究では,予測,改良,合成データ生成という3つの時系列タスクにおいて,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-07-21T10:56:36Z) - Time Series Continuous Modeling for Imputation and Forecasting with Implicit Neural Representations [15.797295258800638]
本稿では,実世界のデータでしばしば発生する課題に対処するために,時系列計算と予測のための新しいモデリング手法を提案する。
本手法はシリーズの進化力学の連続時間依存モデルに依存する。
メタラーニングアルゴリズムによって駆動される変調機構は、観測されたタイムウインドウを超えて、見えないサンプルや外挿への適応を可能にする。
論文 参考訳（メタデータ） (2023-06-09T13:20:04Z) - Diffusion Action Segmentation [63.061058214427085]
本稿では,このような反復的洗練の本質的な精神を共用した拡散モデルによる新しい枠組みを提案する。
このフレームワークでは、入力された映像の特徴を条件としてランダムノイズから行動予測を反復的に生成する。
論文 参考訳（メタデータ） (2023-03-31T10:53:24Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z)
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。