論文の概要: Edit-Based Flow Matching for Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2510.06050v2
• Date: Wed, 08 Oct 2025 10:51:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 14:21:18.207828
• Title: Edit-Based Flow Matching for Temporal Point Processes
• Title（参考訳）: 時間点プロセスのための編集ベースフローマッチング
• Authors: David Lüdke, Marten Lienen, Marcel Kollovieh, Stephan Günnemann,
• Abstract要約: 時間的ポイントプロセス(TPP)は、イベントシーケンスを連続的にモデル化するための基本的なツールである。 最近の非自己回帰拡散型モデルでは、ノイズとデータとの連立補間によってこれらの問題を緩和している。 本稿では,TPPの編集操作を挿入,削除,置換することで,ノイズをデータに転送する編集フロープロセスを提案する。
• 参考スコア（独自算出の注目度）: 51.33476564706644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal point processes (TPPs) are a fundamental tool for modeling event sequences in continuous time, but most existing approaches rely on autoregressive parameterizations that are limited by their sequential sampling. Recent non-autoregressive, diffusion-style models mitigate these issues by jointly interpolating between noise and data through event insertions and deletions in a discrete Markov chain. In this work, we generalize this perspective and introduce an Edit Flow process for TPPs that transports noise to data via insert, delete, and substitute edit operations. By learning the instantaneous edit rates within a continuous-time Markov chain framework, we attain a flexible and efficient model that effectively reduces the total number of necessary edit operations during generation. Empirical results demonstrate the generative flexibility of our unconditionally trained model in a wide range of unconditional and conditional generation tasks on benchmark TPPs.
• Abstract（参考訳）: 時間的ポイントプロセス(TPP)は、イベントシーケンスを連続的にモデル化するための基本的なツールであるが、既存のほとんどのアプローチは、シーケンシャルサンプリングによって制限される自己回帰パラメータ化に依存している。 最近の非自己回帰拡散型モデルでは、離散マルコフ連鎖における事象の挿入と削除を通じてノイズとデータを共同で補間することでこれらの問題を緩和している。 本研究では、この視点を一般化し、挿入、削除、置換操作によるデータへのノイズ伝達を行うTPPの編集フロープロセスを導入する。 連続的なマルコフ連鎖フレームワーク内での即時編集率の学習により、生成に必要な編集操作の総数を効果的に削減するフレキシブルで効率的なモデルが得られる。 実験により,ベンチマークTPP上での条件付きおよび条件付きタスクの多岐にわたる無条件モデルの生成柔軟性が実証された。

関連論文リスト

• Edit Flows: Flow Matching with Edit Operations [25.751427330260128]
  Edit Flowsは、操作の挿入、削除、置換を通じてシーケンス上の離散フローを定義する非自己回帰モデルである。 シーケンス空間上の連続時間マルコフチェーン内でこれらの操作をモデル化することにより、エディットフローはフレキシブルで位置相対的な生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T17:44:19Z)
• EventFlow: Forecasting Temporal Point Processes with Flow Matching [12.976042923229466]
  機械学習では、ニューラルネットワークを使用して自己回帰的に時間点過程をモデル化することが一般的である。 本研究では,時間的ポイントプロセスのための非自己回帰生成モデルであるEventFlowを提案する。
  論文  参考訳（メタデータ） (2024-10-09T20:57:00Z)
• Add and Thin: Diffusion for Temporal Point Processes [24.4686728569167]
  ADD-THINは、時間点過程(TPP)ネットワークの確率的デノナイジング拡散モデルである。 イベントシーケンス全体で動作し、密度推定において最先端のTPPモデルと一致する。 合成および実世界のデータセットの実験において、我々のモデルは密度推定における最先端のTPPモデルと一致し、予測においてそれらを強く上回る。
  論文  参考訳（メタデータ） (2023-11-02T10:42:35Z)
• Amortizing intractable inference in large language models [56.92471123778389]
  難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。 我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。 重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
  論文  参考訳（メタデータ） (2023-10-06T16:36:08Z)
• AdaMerging: Adaptive Model Merging for Multi-Task Learning [68.75885518081357]
  本稿では,Adaptive Model Merging (AdaMerging)と呼ばれる革新的な手法を紹介する。 本来のトレーニングデータに頼ることなく、タスクレベルでも階層的にも、モデルマージの係数を自律的に学習することを目指している。 AdaMergingは、現在の最先端のタスク演算のマージ方式と比較すると、パフォーマンスが11%向上している。
  論文  参考訳（メタデータ） (2023-10-04T04:26:33Z)
• Latent Autoregressive Source Separation [5.871054749661012]
  本稿では,ベクトル量子化遅延自己回帰音源分離(入力信号を構成源にデミックスする)を導入する。 分離法は, 自己回帰モデルが先行するベイズ式に依拠し, 付加トークンの潜在和に対して離散的(非パラメトリック)確率関数を構築した。
  論文  参考訳（メタデータ） (2023-01-09T17:32:00Z)
• DiffusER: Discrete Diffusion via Edit-based Reconstruction [88.62707047517914]
  DiffusERは、拡散モデルに基づくテキストの編集ベースの生成モデルである。 機械翻訳、要約、スタイル転送にまたがるいくつかのタスクにおいて、自動回帰モデルと競合する可能性がある。 また、標準的な自己回帰モデルに適さないような、他の種類の世代も実行することができる。
  論文  参考訳（メタデータ） (2022-10-30T16:55:23Z)

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。