論文の概要: Structured Neural Marked Point Processes for Interpretable Event Interaction Modeling

• arxiv url: http://arxiv.org/abs/2605.17568v2
• Date: Tue, 19 May 2026 19:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 14:55:44.300721
• Title: Structured Neural Marked Point Processes for Interpretable Event Interaction Modeling
• Title（参考訳）: 解釈可能な事象相互作用モデリングのための構造化ニューラルマークポイントプロセス
• Authors: Zhitong Xu, Qiwei Yuan, Yinghao Chen, Shandian Zhe, Bin Shen,
• Abstract要約: マルチクラスイベントストリームは多くの実世界のアプリケーションで発生し、構造化され解釈可能なイベント間の関係を明らかにすることは、正確な予測とともに、依然として中心的な課題である。 既存のニューラルポイントプロセスモデルは非常に表現力が高いが、イベントインタラクションをブラックボックス方式でエンコードすることで、構造化された依存関係の明示的な発見を防止する。 本稿では,データからイベント・ワイド・クラス・リレーションシップを明確化しつつ,高いモデリング柔軟性を実現する構造化ニューラルマークポイントプロセス(SNMPP)を提案する。
• 参考スコア（独自算出の注目度）: 12.453735847515006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-class event streams arise in numerous real-world applications, where uncovering structured, interpretable inter-event relationships, together with accurate prediction, remains a central challenge. Existing neural point process models are highly expressive but encode event interactions in a black-box manner, preventing explicit discovery of structured dependencies. In this paper, we propose a structured neural marked point process (SNMPP) that achieves high modeling flexibility while enabling explicit event-wise and class-wise relationship discovery from data. Our model constructs a product-form neural influence kernel composed of a signed interaction network over event types and a delay-aware monotonic temporal network. This design enables explicit characterization of inter-class influence topology -- including excitation, inhibition, and neutrality -- while flexibly capturing diverse temporal decay patterns and potential influence delays. For efficient learning, we develop a stratified Monte Carlo estimator for stochastic training. Extensive experiments on synthetic and real-world benchmark datasets validate the ability of our approach to uncover structured relationships and deliver strong predictive performance.
• Abstract（参考訳）: マルチクラスイベントストリームは多くの実世界のアプリケーションで発生し、構造化され解釈可能なイベント間の関係を明らかにすることは、正確な予測とともに、依然として中心的な課題である。 既存のニューラルポイントプロセスモデルは非常に表現力が高いが、イベントインタラクションをブラックボックス方式でエンコードすることで、構造化された依存関係の明示的な発見を防止する。 本稿では,データからイベント・ワイド・クラス・リレーションシップを明確化しつつ,モデリングの柔軟性を高める構造化ニューラルマークポイントプロセス(SNMPP)を提案する。 本モデルは,イベントタイプ上の署名付き相互作用ネットワークと遅延対応モノトニック時間ネットワークからなる製品型ニューラルインフルエンサーカーネルを構築する。 この設計は、多種多様な時間的減衰パターンと潜在的影響遅延を柔軟に捉えながら、クラス間影響トポロジー(励起、抑制、中立性を含む)を明示的に特徴づけることができる。 効率的な学習のために,確率学習のための成層モンテカルロ推定器を開発した。 合成および実世界のベンチマークデータセットに関する大規模な実験は、構造化された関係を解明し、強力な予測性能を提供するための我々のアプローチの能力を検証する。

関連論文リスト

• Kronecker-Structured Nonparametric Spatiotemporal Point Processes [15.067976522057933]
  イベントテンポラルドメインは、正確な予測が課題となる多くの現実世界のアプリケーションで発生する。 KSTPP(Kronecker-Structuredpatio Stemporal Point)を提案する。
  論文  参考訳（メタデータ） (2026-03-24T22:13:24Z)
• Deep spatio-temporal point processes: Advances and new directions [20.673680115163425]
  時空間プロセス(STPP)は、時間と空間に分散した離散事象をモデル化する。 最近のイノベーションは、条件付き強度関数を直接モデル化するか、柔軟でデータ駆動のインフルエンスカーネルを学ぶことによって、ディープニューラルネットワークを統合している。 本稿では、統計的に説明可能なディープ・インフルエンス・カーネル・アプローチの開発について概説する。
  論文  参考訳（メタデータ） (2025-04-08T18:28:12Z)
• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations [14.828081841581296]
  MTPP(マークド・テンポラル・ポイント・プロセス)は、イベント・タイム・データの集合である。 近年の研究では、ディープニューラルネットワークを使用してイベントの複雑な時間的依存関係をキャプチャしている。 本稿では,プロセスの特性を異なる事象からの進化的影響の集合に分解する脱結合型MTPPフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-10T10:15:32Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Deep Structural Point Process for Learning Temporal Interaction Networks [7.288706620982159]
  時間的相互作用ネットワークは、ユーザとアイテム間の時系列的相互作用からなる。 従来の手法では時間的相互作用ネットワークの構造情報を考慮できず、必然的に準最適結果につながる。 本稿では,時間的相互作用ネットワークを学習するためのDSPP(Deep Structure Point Process)を提案する。
  論文  参考訳（メタデータ） (2021-07-08T03:07:34Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。