論文の概要: ITPP: Learning Disentangled Event Dynamics in Marked Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2511.06032v1
• Date: Sat, 08 Nov 2025 15:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.717122
• Title: ITPP: Learning Disentangled Event Dynamics in Marked Temporal Point Processes
• Title（参考訳）: ITPP:マーク付き時間点プロセスにおけるイベントダイナミクスの学習
• Authors: Wang-Tao Zhou, Zhao Kang, Ke Yan, Ling Tian,
• Abstract要約: MTPP(Marked Temporal Point Processs)は、過去のイベント履歴を条件に、非同期イベントシーケンスをモデリングするための原則的なフレームワークを提供する。 既存のMTPPモデルの多くは、異なるイベントタイプから情報を単一の固定サイズの潜在表現にエンコードするチャネル混合戦略に依存している。 本稿では,MTPPモデリングのための新しいチャネルに依存しないアーキテクチャであるITPPを紹介し,イベントタイプ情報をODEベースのバックボーンを持つエンコーダデコーダフレームワークを用いて分離する。
• 参考スコア（独自算出の注目度）: 15.224545514789819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Marked Temporal Point Processes (MTPPs) provide a principled framework for modeling asynchronous event sequences by conditioning on the history of past events. However, most existing MTPP models rely on channel-mixing strategies that encode information from different event types into a single, fixed-size latent representation. This entanglement can obscure type-specific dynamics, leading to performance degradation and increased risk of overfitting. In this work, we introduce ITPP, a novel channel-independent architecture for MTPP modeling that decouples event type information using an encoder-decoder framework with an ODE-based backbone. Central to ITPP is a type-aware inverted self-attention mechanism, designed to explicitly model inter-channel correlations among heterogeneous event types. This architecture enhances effectiveness and robustness while reducing overfitting. Comprehensive experiments on multiple real-world and synthetic datasets demonstrate that ITPP consistently outperforms state-of-the-art MTPP models in both predictive accuracy and generalization.
• Abstract（参考訳）: MTPP(Marked Temporal Point Processs)は、過去のイベント履歴を条件に、非同期イベントシーケンスをモデリングするための原則的なフレームワークを提供する。 しかし、既存のMTPPモデルの多くは、異なるイベントタイプからの情報を単一の固定サイズの潜在表現にエンコードするチャネル混合戦略に依存している。 この絡み合いは、型固有のダイナミクスを曖昧にし、パフォーマンスが低下し、オーバーフィッティングのリスクが増大する。 本稿では,MTPPモデリングのための新しいチャネルに依存しないアーキテクチャであるITPPを紹介し,イベントタイプ情報をODEベースのバックボーンを持つエンコーダデコーダフレームワークを用いて分離する。 Central to ITPPは、異種イベントタイプ間のチャネル間相関を明示的にモデル化するために設計された、タイプ認識の反転自己アテンション機構である。 このアーキテクチャは、オーバーフィッティングを低減しつつ、有効性と堅牢性を高める。 複数の実世界のデータセットと合成データセットに関する総合的な実験により、ITPPは予測精度と一般化の両方で最先端のMTPPモデルより一貫して優れていることが示された。

関連論文リスト

• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• Marked Temporal Bayesian Flow Point Processes [32.04732953059373]
  マーク付きイベントデータは、連続値のイベントタイムスタンプと対応する離散値の型を記録して、イベントをキャプチャする。 本稿では,BMTPPと呼ばれる新しいMTPPモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-25T12:32:43Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• TPP-LLM: Modeling Temporal Point Processes by Efficiently Fine-Tuning Large Language Models [0.0]
  時間的ポイントプロセス(TPP)は、ソーシャルネットワーク、交通システム、eコマースなどのドメインにおけるイベントのタイミングと発生をモデル化するために広く用いられている。 イベントシーケンスのセマンティックな側面と時間的側面の両方をキャプチャするために,大規模言語モデル(LLM)とTPPを統合する新しいフレームワークであるTPP-LLMを紹介する。
  論文  参考訳（メタデータ） (2024-10-02T22:17:24Z)
• 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)
• Enhancing Asynchronous Time Series Forecasting with Contrastive Relational Inference [21.51753838306655]
  時間点プロセス(TPP)は、そのようなモデリングの標準的な方法である。 既存のTPPモデルは、イベントの相互作用を明示的にモデル化する代わりに、将来のイベントの条件分布に焦点を当てており、イベント予測の課題を示唆している。 本稿では,ニューラル推論(NRI)を利用して,観測データから動的パターンを同時に学習しながら,相互作用を推論するグラフを学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-06T09:47:03Z)
• 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)

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。