論文の概要: Non-Negative Matrix Factorization for Event Data
- arxiv url: http://arxiv.org/abs/2606.06205v1
- Date: Thu, 04 Jun 2026 14:12:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.84906
- Title: Non-Negative Matrix Factorization for Event Data
- Title（参考訳）: 事象データに対する非負行列分解
- Authors: Raphaël Romero,
- Abstract要約: イベント時間上で直接動作する連続時間非負の分解モデルであるEventNMFを紹介する。
本研究では,EventNMFが数学的に原理化され,実装が容易で,計算効率がよいことを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuous-time event data, in which entities emit instantaneous events over time, arises naturally across many domains such as neuroscience, seismology, and social networks. Non-negative matrix factorization (NMF) is a natural tool to uncover interpretable structure in such data, but it has so far only been applied after binning or smoothing the entity-level counting measures. This preprocessing step comes with the risk of erasing entity-level heterogeneities and fine-grained temporal features. In this paper, we introduce EventNMF, a continuous-time non-negative factorization model that operates directly on event times: each entity's events are modeled as a Poisson process whose intensity factorizes through a non-negative B-spline basis, and a simple estimation procedure recovers interpretable temporal templates shared across entities. The resulting method is mathematically principled, easy to implement, and computationally efficient. We further show that standard binned-count approaches arise as the special case of degree-zero splines, explore bias-variance tradeoffs and compare against existing methods on a synthetic latent factor model, and demonstrate the effectiveness of EventNMF on several real-world applications.
- Abstract（参考訳）: 連続時間イベントデータ(Continuous-time Event data)は、時間とともに瞬間的な事象を発生させるもので、神経科学、地震学、ソーシャルネットワークなどの多くの領域で自然に発生する。
非負行列分解(NMF)は、そのようなデータの解釈可能な構造を明らかにするための自然なツールであるが、これまでは、エンティティレベルの数え上げ尺度を結合または平滑化した後のみ適用されてきた。
この前処理ステップは、エンティティレベルの不均一性と詳細な時間的特徴を消去するリスクを伴う。
本稿では,イベント時刻を直接操作する連続時間非負の分解モデルであるEventNMFを紹介する。各エンティティのイベントは,非負のB-スプラインベースで分解されるポアソン過程としてモデル化され,簡易な推定手順により,エンティティ間で共有される解釈可能な時間テンプレートを復元する。
結果として得られる方法は数学的に原理化され、実装が容易で、計算的に効率的である。
さらに、次数ゼロスプラインの特殊な場合として標準的な双対数法が出現し、バイアス分散トレードオフを探索し、合成潜在因子モデル上の既存の手法と比較し、実世界のいくつかのアプリケーションにおけるEventNMFの有効性を実証する。
関連論文リスト
- Estimating Mutual Information between Time Series and Temporal Event Sequences Across Diverse Analysis Tasks [21.6590064392125]
時系列とイベントシーケンス間の依存度を測定する非パラメトリックな相互情報推定器を提案する。
本手法は,実世界の時系列の連続離散双対性をモデル化し,量子化と繰り返し値のアーティファクトを処理する。
合成および実世界のデータセットの実験は、精度、堅牢性、解釈可能性において既存の手法よりも一貫した改善を示している。
論文 参考訳（メタデータ） (2026-06-01T02:56:50Z) - A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
後部分布フレームワークのニューラルネットワークに基づく近似を導入する。
我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。
20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
論文 参考訳（メタデータ） (2025-07-14T18:31:19Z) - Temporal Causal-based Simulation for Realistic Time-series Generation [1.49201581313345]
因果発見(Causal Discovery)は、観察された変数間の関係を明らかにする上で、特に時間的設定において重要な役割を果たす。
因果構造、効果、時間に関する簡易な仮定に基づく生成技術は、シミュレーションデータの品質と多様性を制限する。
本稿では,実時間時系列データとその関連する時間因果グラフを生成するための堅牢なフレームワークである時間因果シミュレーション(TCS)を紹介する。
論文 参考訳（メタデータ） (2025-06-02T10:59:48Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳（メタデータ） (2024-01-17T07:58:18Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。
本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
論文 参考訳（メタデータ） (2023-10-19T07:51:39Z) - 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) - The Variational Method of Moments [65.91730154730905]
条件モーメント問題は、観測可能量の観点から構造因果パラメータを記述するための強力な定式化である。
OWGMMの変動最小値再構成により、条件モーメント問題に対する非常に一般的な推定器のクラスを定義する。
同じ種類の変分変換に基づく統計的推測のためのアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-12-17T07:21:06Z) - The statistical physics of discovering exogenous and endogenous factors
in a chain of events [0.0]
本研究では,一連の事象発生時間から外生的・内生的要因を推定する手法を開発した。
この分析は、不均一なポアソン過程とホークス過程を組み合わせたモデルを用いて行われる。
論文 参考訳（メタデータ） (2020-03-02T04:55:41Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z)
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。