論文の概要: Addressing Mark Imbalance in Integration-free Neural Marked Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2510.20414v2
• Date: Fri, 24 Oct 2025 12:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.332086
• Title: Addressing Mark Imbalance in Integration-free Neural Marked Temporal Point Processes
• Title（参考訳）: 統合自由なニューラルマーク付き時間点過程における対応マーク不均衡
• Authors: Sishun Liu, Ke Deng, Yongli Ren, Yan Wang, Xiuzhen Zhang,
• Abstract要約: 実世界の多くのアプリケーションにおいて,イベントマークの分布は極めて不均衡であることを示す。 そこで我々は,マーク予測を最適化するために,マーク確率を調整するしきい値を学習するしきい値抽出手法を提案する。 この手法と合わせて,まず,次に時刻を予測する。
• 参考スコア（独自算出の注目度）: 9.971990155442002
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Marked Temporal Point Process (MTPP) has been well studied to model the event distribution in marked event streams, which can be used to predict the mark and arrival time of the next event. However, existing studies overlook that the distribution of event marks is highly imbalanced in many real-world applications, with some marks being frequent but others rare. The imbalance poses a significant challenge to the performance of the next event prediction, especially for events of rare marks. To address this issue, we propose a thresholding method, which learns thresholds to tune the mark probability normalized by the mark's prior probability to optimize mark prediction, rather than predicting the mark directly based on the mark probability as in existing studies. In conjunction with this method, we predict the mark first and then the time. In particular, we develop a novel neural MTPP model to support effective time sampling and estimation of mark probability without computationally expensive numerical improper integration. Extensive experiments on real-world datasets demonstrate the superior performance of our solution against various baselines for the next event mark and time prediction. The code is available at https://github.com/undes1red/IFNMTPP.
• Abstract（参考訳）: MTPP(Marked Temporal Point Process)は,イベントストリーム中のイベントの分布をモデル化するためによく研究されている。 しかし、既存の研究では、イベントマークの分布は現実世界の多くのアプリケーションで非常に不均衡であり、いくつかのマークは頻繁であるが、まれであると見なされている。 この不均衡は、特に稀なマークのイベントにおいて、次のイベント予測のパフォーマンスに重大な課題をもたらす。 この問題を解決するために,既存の研究のようにマーク確率に基づいてマークを直接予測するのではなく,マークの事前確率によって正規化されるマーク確率を調整し,マーク予測を最適化するしきい値を学習するしきい値を学習するしきい値化手法を提案する。 この手法と合わせて,まず,次に時刻を予測する。 特に,計算コストのかかる数値不適切な積分を伴わずに,効率的な時間サンプリングとマーク確率推定を支援するニューラルMTPPモデルを開発した。 実世界のデータセットに対する大規模な実験は、次のイベントマークと時間予測のための様々なベースラインに対するソリューションの優れた性能を示す。 コードはhttps://github.com/undes1red/IFNMTPPで公開されている。

関連論文リスト

• HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting? [1.3654846342364308]
  長軸予測を厳格に評価するために設計された最初のベンチマークである HoTPP を紹介する。 我々は,広く使用されている評価指標の欠点を特定し,理論的に基礎付けられたT-mAP尺度を提案し,人気モデルの効率的な実装を提供する。 我々は,自己回帰と強度に基づく損失が予測品質に与える影響を分析し,今後の研究に向けた有望な方向性を概説する。
  論文  参考訳（メタデータ） (2024-06-20T14:09:00Z)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes [4.324839843326325]
  我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。 主な目的は、イベントの到着時刻とマークに対する分布自由な共同予測領域を生成し、有限サンプルの限界カバレッジを保証することである。
  論文  参考訳（メタデータ） (2024-01-09T15:28:29Z)
• SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
  SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。 具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。 我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-25T03:33:45Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
  グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。 実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
  論文  参考訳（メタデータ） (2022-05-21T15:30:25Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。