論文の概要: Hyper Hawkes Processes: Interpretable Models of Marked Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2511.01096v1
• Date: Sun, 02 Nov 2025 22:10:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.063015
• Title: Hyper Hawkes Processes: Interpretable Models of Marked Temporal Point Processes
• Title（参考訳）: ハイパーホークスプロセス:マーク付き時間点過程の解釈可能なモデル
• Authors: Alex Boyd, Andrew Warrington, Taha Kass-Hout, Parminder Bhatia, Danica Xiao,
• Abstract要約: 我々は、新しいファミリーMTPPモデル、Hyper Hawkes Process (HHP)を提案する。 HHPは、解釈可能な側面を維持しながら、ニューラルMTPPと同じくらい柔軟でパフォーマンスの高いことを目指している。 これらの拡張は高性能MTPPファミリーを定義し、最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 12.72697616342555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundational marked temporal point process (MTPP) models, such as the Hawkes process, often use inexpressive model families in order to offer interpretable parameterizations of event data. On the other hand, neural MTPPs models forego this interpretability in favor of absolute predictive performance. In this work, we present a new family MTPP models: the hyper Hawkes process (HHP), which aims to be as flexible and performant as neural MTPPs, while retaining interpretable aspects. To achieve this, the HHP extends the classical Hawkes process to increase its expressivity by first expanding the dimension of the process into a latent space, and then introducing a hypernetwork to allow time- and data-dependent dynamics. These extensions define a highly performant MTPP family, achieving state-of-the-art performance across a range of benchmark tasks and metrics. Furthermore, by retaining the linearity of the recurrence, albeit now piecewise and conditionally linear, the HHP also retains much of the structure of the original Hawkes process, which we exploit to create direct probes into how the model creates predictions. HHP models therefore offer both state-of-the-art predictions, while also providing an opportunity to ``open the box'' and inspect how predictions were generated.
• Abstract（参考訳）: ホークス過程のような基本マーク付き時間点過程(MTPP)モデルは、イベントデータの解釈可能なパラメータ化を提供するために、しばしば非表現的なモデルファミリを使用する。 一方、ニューラルMTPPは、絶対的な予測性能を優先して、この解釈可能性を予見する。 本稿では,ニューラルMTPPと同程度の柔軟性と性能を期待できるハイパーホークスプロセス(HHP)を,解釈可能な側面を維持しつつ,新しいファミリーMTPPモデルを提案する。 これを実現するため、HHPは古典的なホークス過程を拡張して、まずプロセスの次元を潜在空間に拡張し、次に時間とデータに依存したダイナミクスを可能にするハイパーネットワークを導入することで、その表現性を高める。 これらの拡張は高いパフォーマンスのMTPPファミリを定義し、様々なベンチマークタスクとメトリクスで最先端のパフォーマンスを達成する。 さらに、HHPは繰り返しの線形性を保ちながら、現在断片的かつ条件的に線形でありながら、元のホークス過程の構造の多くを保持しており、モデルがどのように予測を生成するかを直接探究する。 したがって、HHPモデルは最先端の予測と'ボックスを開く'機会を提供し、予測がどのように生成されたかを調べる。

関連論文リスト

• Mamba Hawkes Process [2.2070133073929963]
  我々は,長距離依存関係と動的イベント相互作用をキャプチャするために,Mamba状態空間アーキテクチャを活用するMamba Hawkes Process(MHP)を紹介した。 また,予測能力を高めるために,マンバとトランスフォーマーモデルを組み合わせたマンバホークスプロセス拡張(MHP-E)を提案する。
  論文  参考訳（メタデータ） (2024-07-07T08:37:43Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• 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)
• Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
  時系列予測(LTSF)は時系列分析において重要なフロンティアである。 本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。 興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
  論文  参考訳（メタデータ） (2024-01-22T13:15:40Z)
• Interacting Diffusion Processes for Event Sequence Forecasting [20.380620709345898]
  拡散生成モデルを組み込んだ新しい手法を提案する。 このモデルはシーケンス・ツー・シーケンスの予測を容易にし、過去のイベント・シーケンスに基づいた複数ステップの予測を可能にする。 提案手法は,TPPの長期予測において,最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-26T22:17:25Z)
• Interval-censored Hawkes processes [82.87738318505582]
  本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。 我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
  論文  参考訳（メタデータ） (2021-04-16T07:29:04Z)
• Learning Multivariate Hawkes Processes at Scale [17.17906360554892]
  提案手法は, 基礎となるネットワークの周囲次元とは無関係に, MHP の精度と勾配を計算可能であることを示す。 合成および実世界のデータセットについて、我々のモデルは最先端の予測結果を達成するだけでなく、実行時の性能を桁違いに改善することを示した。
  論文  参考訳（メタデータ） (2020-02-28T01:18:01Z)
• 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。