論文の概要: Bridging Discrete Marks and Continuous Dynamics: Dual-Path Cross-Interaction for Marked Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2603.11462v1
• Date: Thu, 12 Mar 2026 02:39:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.824575
• Title: Bridging Discrete Marks and Continuous Dynamics: Dual-Path Cross-Interaction for Marked Temporal Point Processes
• Title（参考訳）: 離散マークのブリッジングと連続力学:マーク付き時間点過程のデュアルパス交叉相互作用
• Authors: Yuxiang Liu, Qiao Liu, Tong Luo, Yanglei Gan, Peng He, Yao LIu,
• Abstract要約: NEXTPPは,イベント・グラニュラー・ニューラル・エボリューションを通じて離散的かつ連続的な表現を統一する,デュアルチャネル・フレームワークである。 NextPPは、自己アテンション機構を介して離散イベントマークをエンコードし、同時に潜時連続状態を進化させる。 融合表現はニューラルホークス過程の条件強度関数を駆動し、イテレーティブな薄型サンプリング器は将来の事象を生成する。
• 参考スコア（独自算出の注目度）: 13.290746265058644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting irregularly spaced event sequences with discrete marks poses significant challenges due to the complex, asynchronous dependencies embedded within continuous-time data streams.Existing sequential approaches capture dependencies among event tokens but ignore the continuous evolution between events, while Neural Ordinary Differential Equation (Neural ODE) methods model smooth dynamics yet fail to account for how event types influence future timing.To overcome these limitations, we propose NEXTPP, a dual-channel framework that unifies discrete and continuous representations via Event-granular Neural Evolution with Cross-Interaction for Marked Temporal Point Processes. Specifically, NEXTPP encodes discrete event marks via a self-attention mechanism, simultaneously evolving a latent continuous-time state using a Neural ODE. These parallel streams are then fused through a crossattention module to enable explicit bidirectional interaction between continuous and discrete representations. The fused representations drive the conditional intensity function of the neural Hawkes process, while an iterative thinning sampler is employed to generate future events. Extensive evaluations on five real-world datasets demonstrate that NEXTPP consistently outperforms state-of-the-art models. The source code can be found at https://github.com/AONE-NLP/NEXTPP.
• Abstract（参考訳）: 逐次的アプローチはイベントトークン間の依存関係をキャプチャするが、イベント間の継続的な進化は無視するが、Neural Ordinary Differential Equation(Neural ODE)メソッドは、スムーズなダイナミクスをモデル化するが、イベントタイプが将来のタイミングにどのように影響するかを考慮しない。これらの制限を克服するために、NEXTPP(Event-granular Neural Evolution with Cross-Interaction for Marked Temporal Point Processes)を介して離散かつ連続的な表現を統一するデュアルチャネルフレームワーク)を提案する。 具体的には、NEXTPPは自己アテンション機構を介して離散イベントマークを符号化し、ニューラルODEを使用して潜時連続状態を同時に進化させる。 これらの並列ストリームは、連続表現と離散表現の間の明示的な双方向相互作用を可能にするために、クロスアテンションモジュールを介して融合される。 融合表現はニューラルホークス過程の条件強度関数を駆動し、イテレーティブな薄型サンプリング器は将来の事象を生成する。 5つの実世界のデータセットに対する大規模な評価は、NEXTPPが一貫して最先端モデルを上回っていることを示している。 ソースコードはhttps://github.com/AONE-NLP/NEXTPPで確認できる。

関連論文リスト

• Sequence Diffusion Model for Temporal Link Prediction in Continuous-Time Dynamic Graph [5.83093727437226]
  既存の時間グラフニューラルネットワークは、主に歴史的相互作用の学習表現に焦点を当てている。 本稿では,動的グラフ学習を生成的認知と統合する,新しいシーケンスレベルの拡散フレームワークを提案する。 我々は,時間的リンク予測タスクにおいて,このフレームワークが常に最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-01-30T18:02:12Z)
• 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)
• JointDiff: Bridging Continuous and Discrete in Multi-Agent Trajectory Generation [75.58351043849385]
  生成モデルは、しばしば連続したデータと離散的なイベントを別々のプロセスとして扱う。 このギャップを埋めるために、連続時間データと同期離散イベントを同時に生成してこれらの2つのプロセス間の相互作用を設計した新しい拡散フレームワークであるJointDiffを導入する。 JointDiffは最先端のパフォーマンスを実現し、インタラクティブシステムのための現実的で制御可能なモデルを構築するために、ジョイントモデリングが不可欠であることを実証している。
  論文  参考訳（メタデータ） (2025-09-26T16:04:00Z)
• Unified Flow Matching for Long Horizon Event Forecasting [3.0639815065447036]
  本稿では,マーク付き時間点プロセスのための一貫したフローマッチングフレームワークを提案する。 両コンポーネントの連続時間フローを学習することにより,逐次復号化を伴わずにコヒーレントな長地平線イベントトラジェクトリを生成する。 実世界の6つのベンチマークでモデルを評価し,精度と生成効率の両面で自己回帰ベースラインと拡散ベースラインを大幅に改善した。
  論文  参考訳（メタデータ） (2025-08-06T19:42:49Z)
• A Variational Autoencoder for Neural Temporal Point Processes with Dynamic Latent Graphs [45.98786737053273]
  このような時間的ダイナミクスの混合を捕捉する新しい変分自動エンコーダを提案する。 モデルは、学習した依存性グラフを使用して、過去のイベントの非貢献的な影響を取り除くことによって、将来のイベント時間を予測する。
  論文  参考訳（メタデータ） (2023-12-26T15:11:55Z)
• 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)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)

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。