論文の概要: Efficient Temporal Datalog Materialisation for Composite Event Recognition
- arxiv url: http://arxiv.org/abs/2605.02488v1
- Date: Mon, 04 May 2026 11:41:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:50.26216
- Title: Efficient Temporal Datalog Materialisation for Composite Event Recognition
- Title（参考訳）: 複合イベント認識のための効率的な時間データログ教材化
- Authors: Periklis Mantenoglou,
- Abstract要約: イベント仕様言語は、単純なイベント上の時間パターンを通じて複合イベントを定義するために使用される。
データログの実体化のための最先端技術の拡張であるStreaming Trigger Graphsを提案する。
提案手法は,多種多様なイベント仕様言語にまたがる一般化の可能性を秘めた,一様複合イベント認識機構を実現する。
- 参考スコア（独自算出の注目度）: 1.5229257192293202
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Several applications demand the timely detection of critical situations, such as threats to safety and transparency, over high-velocity streams of symbolic events. This demand has motivated the development of (i) event specification languages, which define composite events via temporal patterns over simpler events, and (ii) stream reasoning frameworks, evaluating patterns expressed in these languages. However, event specification languages are typically studied in isolation, complicating their comparison in terms of expressivity and obscuring the scope of their associated stream reasoners. To mitigate this issue, we map practical fragments of prominent event specification languages into Temporal Datalog->-, a temporal Datalog with stratified negation and no future dependencies. To support efficient stream reasoning over Temporal Datalog->-, we propose Streaming Trigger Graphs, an extension of a state-of-the-art technique for Datalog materialisation. Our approach yields a uniform composite event recognition mechanism that has the potential to generalise across a wide range of practical event specification languages.
- Abstract（参考訳）: いくつかのアプリケーションは、シンボルイベントの高速度ストリームに対する安全性や透明性への脅威など、重要な状況のタイムリーな検出を要求する。
この需要が発展の動機になった
(i)より単純なイベントに対する時間的パターンによる複合イベントを定義するイベント仕様言語、
(ii)これらの言語で表現されたパターンを評価するストリーム推論フレームワーク。
しかし、イベント仕様言語は通常独立して研究され、表現性の観点から比較を複雑にし、関連するストリーム推論のスコープを隠蔽する。
この問題を緩和するために、著名なイベント仕様言語の実用的なフラグメントを、階層化された否定と将来の依存関係のない一時的なデータログであるTemporal Datalog->-にマッピングする。
テンポラルデータログ->-上での効率的なストリーム推論を支援するために,我々は,データログの実体化のための最先端技術の拡張であるStreaming Trigger Graphsを提案する。
提案手法は,多種多様なイベント仕様言語にまたがる一般化の可能性を秘めた,一様複合イベント認識機構を実現する。
関連論文リスト
- InstructTime++: Time Series Classification with Multimodal Language Modeling via Implicit Feature Enhancement [52.17579028504616]
InstructTimeは、時系列分類をマルチモーダルな生成タスクとして再構成する新しいフレームワークである。
InstructTime++は、言語モデルの限定的な帰納バイアスを補うために、暗黙のフィーチャモデリングを導入することで、InstructTimeを拡張している。
論文 参考訳（メタデータ） (2026-01-21T13:12:23Z) - Enhancing Temporal Awareness in LLMs for Temporal Point Processes [53.596733432865626]
時間的ポイントプロセス(TPP)は、時間とともにイベントを分析するのに不可欠である。
TPP-TALは、大規模な言語モデルにおける時間的推論を強化するために設計された新しいプラグイン・アンド・プレイフレームワークである。
TPP-TALは時間的確率推定と事象予測精度を大幅に改善した。
論文 参考訳（メタデータ） (2025-12-29T03:01:24Z) - StreamingCoT: A Dataset for Temporal Dynamics and Multimodal Chain-of-Thought Reasoning in Streaming VideoQA [60.86024022291499]
ストリーミングビデオストリームにおける時間的に進化する推論のために明示的に設計された最初のデータセットであるStreamingCoTを紹介する。
本フレームワークは,秒単位の高密度な記述を生成し,類似性融合により時間依存性のセマンティックセグメントを構築する。
このデータセットは、ストリーミングビデオ理解、複雑な時間的推論、マルチモーダル推論の研究を促進する基盤を確立する。
論文 参考訳（メタデータ） (2025-10-29T09:47:38Z) - EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。
8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-08-19T01:28:47Z) - LET-US: Long Event-Text Understanding of Scenes [23.376693904132786]
イベントカメラは、マイクロ秒レベルの時間分解能を備えたスパースで非同期なデータとしてイベントストリームを出力する。
長いイベントストリーム・テキスト理解のためのフレームワークであるLET-USを紹介する。
適応圧縮機構を用いて、重要な視覚的詳細を保存しながら入力イベントの量を削減する。
論文 参考訳（メタデータ） (2025-08-10T16:02:41Z) - From Values to Tokens: An LLM-Driven Framework for Context-aware Time Series Forecasting via Symbolic Discretization [21.8427780153806]
時系列予測は、エネルギー、医療、金融など、幅広い重要な応用において意思決定を支援する上で重要な役割を担っている。
我々は,言語に基づく記号表現を文脈対応時系列予測のための統合仲介手段として活用する,LLM駆動のフレームワークであるTokenCastを提案する。
具体的には、TokenCastは離散トークン化器を使用して、連続する数値列を時間トークンに変換し、言語ベースの入力と構造的アライメントを可能にする。
論文 参考訳（メタデータ） (2025-08-08T03:51:08Z) - Language-TPP: Integrating Temporal Point Processes with Language Models for Event Analysis [23.27520345839548]
テンポラルポイントプロセス(TPP)は、イベントシーケンスモデリングに広く用いられているが、リッチテキストのイベント記述を効果的に組み込むのに苦労することが多い。
本稿では,TPPをLLM(Large Language Models)と統合した統合フレームワークであるLanguage-TPPを紹介した。
論文 参考訳（メタデータ） (2025-02-11T00:09:45Z) - EventFull: Complete and Consistent Event Relation Annotation [16.089136332919487]
textitEventFullは、時間、因果、およびコア参照関係の一貫性、完全、効率的なアノテーションをサポートするツールである。
パイロットスタディでは、EventFullがアノテーションプロセスのアクセラレーションと単純化を行い、アノテーション間のアノテータ間の合意が高くなることを示した。
論文 参考訳（メタデータ） (2024-12-17T09:55:41Z) - 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) - Context-Dependent Semantic Parsing for Temporal Relation Extraction [2.5807659587068534]
テキスト中の時間情報を効果的に抽出するニューラルネットワーク意味表現SMARTERを提案する。
推論フェーズでは、SMARTERは論理形式を実行して時間関係グラフを生成する。
与えられた事象の正確な論理形式表現は、抽出された関係の正確性を保証する。
論文 参考訳（メタデータ） (2021-12-02T00:29:21Z) - Temporal and Object Quantification Networks [95.64650820186706]
複雑な関係時間事象を認識できる構造バイアスを持つニューロシンボリックネットワークを新たに提案する。
我々は、TOQ-Netsが、少量のデータから、トレーニング中に存在したものよりも多くのオブジェクトを含むシナリオ、入力シーケンスの時間的ワープまでを一般化できることを実証した。
論文 参考訳（メタデータ） (2021-06-10T16:18:21Z)
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。