論文の概要: Forecasting Geopolitical Events with a Sparse Temporal Fusion Transformer and Gaussian Process Hybrid: A Case Study in Middle Eastern and U.S. Conflict Dynamics

• arxiv url: http://arxiv.org/abs/2506.20935v1
• Date: Thu, 26 Jun 2025 01:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.940157
• Title: Forecasting Geopolitical Events with a Sparse Temporal Fusion Transformer and Gaussian Process Hybrid: A Case Study in Middle Eastern and U.S. Conflict Dynamics
• Title（参考訳）: 短い時間核融合変圧器とガウス過程ハイブリッドによる地政学的事象の予測:中東・米国の紛争動態を事例として
• Authors: Hsin-Hsiung Huang, Hayden Hampton,
• Abstract要約: Global Database of Events, Language, and Tone (GDELT)のようなデータソースとの地政学的対立 本質的にの空間性、バースト性、およびそのようなデータの過分散により、標準的なディープラーニングモデルは信頼性の低い長距離予測を生成する。 我々は,これらの制限を克服し,2023年の脅威検出アルゴリズムコンテストで優勝したハイブリッドアーキテクチャSTFT-VNNGPを紹介する。
• 参考スコア（独自算出の注目度）: 0.552480439325792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting geopolitical conflict from data sources like the Global Database of Events, Language, and Tone (GDELT) is a critical challenge for national security. The inherent sparsity, burstiness, and overdispersion of such data cause standard deep learning models, including the Temporal Fusion Transformer (TFT), to produce unreliable long-horizon predictions. We introduce STFT-VNNGP, a hybrid architecture that won the 2023 Algorithms for Threat Detection (ATD) competition by overcoming these limitations. Designed to bridge this gap, our model employs a two-stage process: first, a TFT captures complex temporal dynamics to generate multi-quantile forecasts. These quantiles then serve as informed inputs for a Variational Nearest Neighbor Gaussian Process (VNNGP), which performs principled spatiotemporal smoothing and uncertainty quantification. In a case study forecasting conflict dynamics in the Middle East and the U.S., STFT-VNNGP consistently outperforms a standalone TFT, showing a superior ability to predict the timing and magnitude of bursty event periods, particularly at long-range horizons. This work offers a robust framework for generating more reliable and actionable intelligence from challenging event data, with all code and workflows made publicly available to ensure reproducibility.
• Abstract（参考訳）: GDELT(Global Database of Events, Language, and Tone)のようなデータソースからの地政学的衝突を予測することは、国家安全保障にとって重要な課題である。 このようなデータの空間性、バースト性、過分散は、TFT(Temporal Fusion Transformer)などの標準的なディープラーニングモデルを引き起こし、信頼性の低い長距離予測を生成する。 我々は,これらの制限を克服し,2023年のアルゴリズム・フォー・脅威検出(ATD)コンペで優勝したハイブリッドアーキテクチャSTFT-VNNGPを紹介する。 このギャップを埋めるために設計されたモデルでは、2段階のプロセスが採用されている。 これらの量子は、原理化された時空間の滑らか化と不確実な定量化を行う変分近傍ガウス過程(VNNGP)のインプットとして機能する。 中東と米国の紛争動態を予測するケーススタディにおいて、STFT-VNNGPはスタンドアローンのTFTを一貫して上回り、特に長距離地平線におけるバースト事象のタイミングと大きさを予測する優れた能力を示している。 この作業は、より信頼性が高く行動可能なインテリジェンスを、挑戦的なイベントデータから生成するための堅牢なフレームワークを提供する。

関連論文リスト

• TrajGPT: Controlled Synthetic Trajectory Generation Using a Multitask Transformer-Based Spatiotemporal Model [5.5481213807584995]
  本稿では,これらの問題に対処するために,トランスフォーマーベースのマルチタスク共同生成モデルであるTrajGPTを紹介する。 大規模言語モデルからインスピレーションを得て、TrajGPTは自然言語でテキストを埋め込むような制御された軌跡生成の問題を提起する。 公開およびプライベートデータセットを用いた実験により、TrajGPTは、制御された合成訪問生成に優れるだけでなく、次の位置予測タスクにおいて競合するモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-07T02:47:50Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• Scalable Spatiotemporal Prediction with Bayesian Neural Fields [3.3299088915999295]
  BayesNFは、階層的ベイズ推定と高容量推定のためのディープニューラルネットワークアーキテクチャを統合し、堅牢な予測の不確実性を実現する。 BayesNFは、数万の計測値を含む気候および公衆衛生データから予測問題を改善する。
  論文  参考訳（メタデータ） (2024-03-12T13:47:50Z)
• 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 Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。