論文の概要: D-Tracker: Modeling Interest Diffusion in Social Activity Tensor Data Streams
- arxiv url: http://arxiv.org/abs/2505.00242v1
- Date: Thu, 01 May 2025 01:29:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.199282
- Title: D-Tracker: Modeling Interest Diffusion in Social Activity Tensor Data Streams
- Title（参考訳）: D-Tracker: ソーシャルアクティビティテンソルデータストリームにおける関心拡散のモデル化
- Authors: Shingo Higashiguchi, Yasuko Matsubara, Koki Kawabata, Taichi Murayama, Yasushi Sakurai,
- Abstract要約: D-Trackerは、ソーシャルアクティビティテンソルデータストリーム内の時間変化時間パターンを継続的にキャプチャする方法である。
本手法は既存の手法よりも少ない時間で予測精度を向上させることができる。
- 参考スコア（独自算出の注目度）: 7.599831114382128
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large quantities of social activity data, such as weekly web search volumes and the number of new infections with infectious diseases, reflect peoples' interests and activities. It is important to discover temporal patterns from such data and to forecast future activities accurately. However, modeling and forecasting social activity data streams is difficult because they are high-dimensional and composed of multiple time-varying dynamics such as trends, seasonality, and interest diffusion. In this paper, we propose D-Tracker, a method for continuously capturing time-varying temporal patterns within social activity tensor data streams and forecasting future activities. Our proposed method has the following properties: (a) Interpretable: it incorporates the partial differential equation into a tensor decomposition framework and captures time-varying temporal patterns such as trends, seasonality, and interest diffusion between locations in an interpretable manner; (b) Automatic: it has no hyperparameters and continuously models tensor data streams fully automatically; (c) Scalable: the computation time of D-Tracker is independent of the time series length. Experiments using web search volume data obtained from GoogleTrends, and COVID-19 infection data obtained from COVID-19 Open Data Repository show that our method can achieve higher forecasting accuracy in less computation time than existing methods while extracting the interest diffusion between locations. Our source code and datasets are available at {https://github.com/Higashiguchi-Shingo/D-Tracker.
- Abstract（参考訳）: 週毎のWeb検索量や感染症の新規感染など,人々の関心や活動を反映した大量の社会活動データがある。
このようなデータから時間的パターンを発見し、将来の活動を正確に予測することが重要である。
しかし, 社会活動データストリームのモデル化と予測は, 高次元であり, 傾向, 季節性, 関心拡散など, 時間変動の異なる複数のダイナミクスで構成されているため困難である。
本稿では,ソーシャルアクティビティテンソルデータストリーム内の時間変化時間パターンを連続的にキャプチャし,今後の活動を予測するD-Trackerを提案する。
提案手法は以下の特性を有する。
(a)解釈可能:部分微分方程式をテンソル分解の枠組みに組み込み、傾向、季節性、場所間の関心拡散といった時間変化の時間的パターンを解釈可能な方法でキャプチャする。
b) 自動:ハイパーパラメータがなく、テンソルデータストリームを連続的に完全にモデル化する。
(c)スケーラビリティ: D-Trackerの計算時間は時系列の長さとは独立である。
GoogleTrendsから得られたWeb検索量データと、COVID-19 Open Data Repositoryから得られたCOVID-19感染データを用いて実験したところ、既存の手法よりも少ない計算時間で予測精度を向上し、場所間の関心拡散を抽出できることがわかった。
ソースコードとデータセットは、https://github.com/Higashiguchi-Shingo/D-Tracker.comで公開されています。
関連論文リスト
- Self-attention-based Diffusion Model for Time-series Imputation in Partial Blackout Scenarios [23.160007389272575]
時系列データの欠落値は、機械学習のパフォーマンスを損なう可能性がある。
これまでの研究は、ランダムで完全なブラックアウトと予測シナリオにおいて、欠落したデータの計算に取り組んできた。
本稿では,自己意図と拡散過程を用いた2段階計算プロセスを導入し,特徴量と時間的相関をモデル化する。
論文 参考訳（メタデータ） (2025-03-03T16:58:15Z) - Modeling Time-evolving Causality over Data Streams [6.897244582507126]
本稿では,データストリームの時間進化因果関係をモデル化するための新しいストリーミング手法であるModePlaitを提案する。
提案手法は, 時間的因果関係の発見や予測において, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2025-02-13T04:59:01Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - 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) - 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) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - A data filling methodology for time series based on CNN and (Bi)LSTM
neural networks [0.0]
イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。
提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
論文 参考訳（メタデータ） (2022-04-21T09:40:30Z) - A Variational Autoencoder for Heterogeneous Temporal and Longitudinal
Data [0.3749861135832073]
近年,経時的および経時的データを処理可能なVAEの拡張は,医療,行動モデリング,予測保守に応用されている。
本研究では,既存の時間的および縦的VAEをヘテロジニアスデータに拡張するヘテロジニアス縦型VAE(HL-VAE)を提案する。
HL-VAEは高次元データセットに対する効率的な推論を提供し、連続、カウント、カテゴリー、順序データのための可能性モデルを含む。
論文 参考訳（メタデータ） (2022-04-20T10:18:39Z) - Real-time Drift Detection on Time-series Data [0.6303112417588329]
季節変動を考慮した非教師付き時間ドリフト検出器(unsupervised Temporal Drift Detector, UTDD)を提案する。
提案手法は, 時系列データ中の時間的概念のドリフトを, 基底真理の欠如により効率的に検出する。
論文 参考訳（メタデータ） (2021-10-12T22:09:29Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。