論文の概要: How to model Human Actions distribution with Event Sequence Data

• arxiv url: http://arxiv.org/abs/2510.05856v1
• Date: Tue, 07 Oct 2025 12:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.24477
• Title: How to model Human Actions distribution with Event Sequence Data
• Title（参考訳）: イベントシーケンスデータを用いた人行動分布のモデル化
• Authors: Egor Surkov, Dmitry Osin, Evgeny Burnaev, Egor Shvetsov,
• Abstract要約: 本研究では,人間の行動系列における事象の今後の分布予測について検討する。 単純な明示的分布予測の対象が、複雑な暗黙的ベースラインを一貫して超越していることが分かる。 この研究は、モデリング戦略を選択するための原則化されたフレームワークを提供し、より正確で堅牢な予測システムを構築するための実践的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 22.25731364559209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies forecasting of the future distribution of events in human action sequences, a task essential in domains like retail, finance, healthcare, and recommendation systems where the precise temporal order is often less critical than the set of outcomes. We challenge the dominant autoregressive paradigm and investigate whether explicitly modeling the future distribution or order-invariant multi-token approaches outperform order-preserving methods. We analyze local order invariance and introduce a KL-based metric to quantify temporal drift. We find that a simple explicit distribution forecasting objective consistently surpasses complex implicit baselines. We further demonstrate that mode collapse of predicted categories is primarily driven by distributional imbalance. This work provides a principled framework for selecting modeling strategies and offers practical guidance for building more accurate and robust forecasting systems.
• Abstract（参考訳）: 本稿では,ヒト行動系列における事象の今後の分布を予測し,小売,金融,医療,レコメンデーションシステムなどの分野において,正確な時間順が結果の集合よりも重要でない場合が多い課題について述べる。 支配的な自己回帰パラダイムに挑戦し、将来の分布を明示的にモデル化するか、順序不変なマルチトークンアプローチが順序保存法より優れているかを検討する。 局所的な順序の不変性を解析し、時間的ドリフトを定量化するためのKLに基づく計量を導入する。 単純な明示的分布予測の対象が、複雑な暗黙的ベースラインを一貫して超越していることが分かる。 さらに、予測されたカテゴリのモード崩壊は、主に分布不均衡によって引き起こされることを示した。 この研究は、モデリング戦略を選択するための原則化されたフレームワークを提供し、より正確で堅牢な予測システムを構築するための実践的なガイダンスを提供する。

関連論文リスト

• Spatiotemporal Forecasting as Planning: A Model-Based Reinforcement Learning Approach with Generative World Models [45.523937630646394]
  本研究では,モデルベース強化学習における新たなパラダイムであるSFP予測・アズ・プランニング(SFP)を提案する。 SFPは、多様な高時間将来の状態をシミュレートし、「想像に基づく」環境シミュレーションを可能にする新しい世界モデルを構築している。
  論文  参考訳（メタデータ） (2025-10-05T03:57:38Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Conformal Predictive Distributions for Order Fulfillment Time Forecasting [15.378087950770684]
  本稿では,オーダー充足時間の分布予測のための新しいフレームワークを提案する。 提案手法は競合する分布予測を生成できるが,機械学習に基づく点予測は既存のルールベースシステムよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-05-22T23:23:52Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• RegFlow: Probabilistic Flow-based Regression for Future Prediction [21.56753543722155]
  我々は,モーダリティや基礎となる確率分布に関する制約がほとんどなく,将来の予測をモデル化できる,頑健で柔軟な確率確率フレームワークを導入する。 RegFlowと呼ばれる結果の方法は、いくつかのベンチマークデータセットで最先端の結果を達成し、競合するアプローチよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2020-11-30T08:45:37Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Adversarial Attacks on Probabilistic Autoregressive Forecasting Models [7.305979446312823]
  我々は、単一値の列ではなく確率分布の列を出力するニューラルネットワークに対する効果的な逆攻撃を生成する。 提案手法は,2つの課題において,入力摂動の少ない攻撃を効果的に生成できることを実証する。
  論文  参考訳（メタデータ） (2020-03-08T13:08:34Z)

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。