論文の概要: On Foundation Models for Temporal Point Processes to Accelerate Scientific Discovery
- arxiv url: http://arxiv.org/abs/2510.12640v1
- Date: Tue, 14 Oct 2025 15:33:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-15 21:19:14.994261
- Title: On Foundation Models for Temporal Point Processes to Accelerate Scientific Discovery
- Title（参考訳）: 科学的発見を加速する時間的点過程の基礎モデルについて
- Authors: David Berghaus, Patrick Seifner, Kostadin Cvejoski, Ramses J. Sanchez,
- Abstract要約: 医学から地震学まで、多くの科学分野は複雑なシステムを理解するために時間の経過とともに事象のシーケンスを分析することに依存している。
従来は、新しいデータセットごとにスクラッチから機械学習モデルを構築、トレーニングする必要がある。
ひとつの強力なモデルで、コンテキストにおけるイベントデータの基盤となるパターンを学習します。
- 参考スコア（独自算出の注目度）: 7.279730418361997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many scientific fields, from medicine to seismology, rely on analyzing sequences of events over time to understand complex systems. Traditionally, machine learning models must be built and trained from scratch for each new dataset, which is a slow and costly process. We introduce a new approach: a single, powerful model that learns the underlying patterns of event data in context. We trained this "foundation model" on millions of simulated event sequences, teaching it a general-purpose understanding of how events can unfold. As a result, our model can analyze new scientific data instantly, without retraining, simply by looking at a few examples from the dataset. It can also be quickly fine-tuned for even higher accuracy. This approach makes sophisticated event analysis more accessible and accelerates the pace of scientific discovery.
- Abstract（参考訳）: 医学から地震学まで、多くの科学分野は複雑なシステムを理解するために時間の経過とともに事象のシーケンスを分析することに依存している。
従来、機械学習モデルは、新しいデータセットごとにスクラッチから構築およびトレーニングされなければならない。
ひとつの強力なモデルで、コンテキストにおけるイベントデータの基盤となるパターンを学習します。
私たちはこの“境界モデル”を、数百万のシミュレートされたイベントシーケンスでトレーニングし、イベントの展開方法の汎用的な理解を教えました。
その結果、データセットからいくつかの例を見るだけで、再学習することなく、新しい科学的データを即座に分析できることがわかった。
さらに高い精度で素早く微調整することもできる。
このアプローチにより、洗練されたイベント分析がよりアクセスしやすくなり、科学的な発見のペースが加速する。
関連論文リスト
- Towards Robust Surrogate Models: Benchmarking Machine Learning Approaches to Expediting Phase Field Simulations of Brittle Fracture [0.0]
フラクチャーモデリングのためのML手法のベンチマークと進歩を目的としたPFMシミュレーションに基づくデータセットを提案する。
このデータセットには3つのエネルギー分解方法、2つの境界条件、合計6,000のシミュレーションのための1000のランダムな初期き裂構成が含まれている。
本研究は, フラクチャーメカニクス研究における機械学習の進歩のためのテストベッドとして, このデータセットの有用性を実証するものである。
論文 参考訳（メタデータ） (2025-07-09T19:14:56Z) - Discovering physical laws with parallel symbolic enumeration [67.36739393470869]
並列記号列挙法(PSE)を導入し,限られたデータから汎用数学的表現を効率的に抽出する。
実験の結果,PSEは最先端のベースラインアルゴリズムと比較して精度が高く,計算速度も速いことがわかった。
PSEは、記号的、解釈可能なモデルの正確で効率的なデータ駆動による発見の進歩を表している。
論文 参考訳（メタデータ） (2024-07-05T10:41:15Z) - Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。
本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
論文 参考訳（メタデータ） (2023-10-19T07:51:39Z) - A Deep Learning Approach to Analyzing Continuous-Time Systems [20.89961728689037]
深層学習が複雑なプロセスの解析に有効であることを示す。
提案手法は,多くの自然系に対して不可解な標準的な仮定を緩和する。
行動・神経画像データに顕著な改善が認められた。
論文 参考訳（メタデータ） (2022-09-25T03:02:31Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。