論文の概要: Speculative Sampling for Parametric Temporal Point Processes
- arxiv url: http://arxiv.org/abs/2510.20031v1
- Date: Wed, 22 Oct 2025 21:20:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:16.843752
- Title: Speculative Sampling for Parametric Temporal Point Processes
- Title（参考訳）: パラメトリック時間点過程の投機サンプリング
- Authors: Marin Biloš, Anderson Schneider, Yuriy Nevmyvaka,
- Abstract要約: 時間点過程はイベントシーケンスの強力な生成モデルである。
それらは一般的に、前のイベントから次のイベントの分布を学ぶ自動回帰モデルを使って指定される。
本稿では、既存のTPPモデルから複数の将来の値の正確なサンプリングを可能にする、リジェクションサンプリングに基づく新しいアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 9.15731236208975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Temporal point processes are powerful generative models for event sequences that capture complex dependencies in time-series data. They are commonly specified using autoregressive models that learn the distribution of the next event from the previous events. This makes sampling inherently sequential, limiting efficiency. In this paper, we propose a novel algorithm based on rejection sampling that enables exact sampling of multiple future values from existing TPP models, in parallel, and without requiring any architectural changes or retraining. Besides theoretical guarantees, our method demonstrates empirical speedups on real-world datasets, bridging the gap between expressive modeling and efficient parallel generation for large-scale TPP applications.
- Abstract（参考訳）: 時間的ポイントプロセスは、時系列データの複雑な依存関係をキャプチャするイベントシーケンスの強力な生成モデルである。
それらは一般的に、前のイベントから次のイベントの分布を学ぶ自動回帰モデルを使って指定される。
これによりサンプリングが本質的にシーケンシャルになり、効率が制限される。
本稿では,既存のTPPモデルから,アーキテクチャ変更や再学習を必要とせず,並列に複数の将来の値の正確なサンプリングを可能にする,リジェクションサンプリングに基づく新しいアルゴリズムを提案する。
理論的保証に加えて,提案手法は実世界のデータセット上での実証的な高速化を実証し,大規模TPPアプリケーションにおける表現的モデリングと効率的な並列生成のギャップを埋める。
関連論文リスト
- Edit-Based Flow Matching for Temporal Point Processes [51.33476564706644]
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。
論文 参考訳（メタデータ） (2025-10-07T15:44:12Z) - 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) - Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す
提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。
コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
論文 参考訳（メタデータ） (2024-02-01T07:21:30Z) - 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) - Fast and Flexible Temporal Point Processes with Triangular Maps [24.099464487795274]
我々は、サンプリングと可能性の両方を並列に行うことができる新しい非リカレントTPPモデルを提案する。
合成および実世界のデータセットにおける提案フレームワークの利点を実証する。
論文 参考訳（メタデータ） (2020-06-22T21:34:10Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z) - 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。