論文の概要: HawkesNest: A Multi-Axis Synthetic Benchmark for Spatiotemporal Pattern Complexity

• arxiv url: http://arxiv.org/abs/2606.16863v1
• Date: Mon, 15 Jun 2026 15:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.67349
• Title: HawkesNest: A Multi-Axis Synthetic Benchmark for Spatiotemporal Pattern Complexity
• Title（参考訳）: HawkesNest: 時空間パターンの多軸合成ベンチマーク
• Authors: Yahya Aalaila, Sumantrak Mukherjee, Gerrit Großmann, Sebastian Vollmer,
• Abstract要約: HawkesNestは、制御されたパターン複雑性のためのジェネレータ準拠のベンチマークである。 各軸は、潜在データスイープの属性に関連付けられている。 我々は,時間的絡み合いにおける孤立的故障により,ホークスのニューラルモデル感度が上昇することを示した。
• 参考スコア（独自算出の注目度）: 0.22749157557381242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluation of spatiotemporal point process (STPP) models relies heavily on opaque real-world datasets, where latent generative structure is unknown and model failures are difficult to attribute. We introduce HawkesNest, a generator-aligned benchmark for controlled spatiotemporal pattern complexity built on a multivariate Hawkes backbone. HawkesNest defines four complexity axes: space--time entanglement, background heterogeneity, cross-type interaction, and domain topology. Each axis is associated with a deterministic index computed from the latent data-generating mechanism. By varying these axes while holding global rate, stability, and simulation budget fixed, HawkesNest enables diagnostic stress tests of STPP models under known structural difficulty. We verify that the indices are monotone and nearly orthogonal under controlled sweeps. We illustrate its use by showing that Hawkes-family baselines degrade under joint heterogeneity--entanglement complexity, even though they are structurally aligned with the Hawkes data-generating backbone. We further show that HawkesNest exposes neural-model sensitivity: AutoSTPP remains vulnerable under isolated increases in space--time entanglement. Code. Available at https://github.com/YahyaAalaila/HawkesNest
• Abstract（参考訳）: 時空間点過程(STPP)モデルの評価は不透明な実世界のデータセットに大きく依存している。 多変量ホークスバックボーン上に構築された時空間パターンの制御のための,ジェネレータ整列ベンチマークであるHawkesNestを紹介する。 HawkesNestは、時空の絡み合い、背景の不均一性、クロスタイプ相互作用、ドメイントポロジーの4つの複雑さ軸を定義する。 各軸は、潜在データ生成機構から計算された決定論的指数に関連付けられる。 これらの軸をグローバルレート、安定性、シミュレーション予算を一定に保ちながら変化させることで、ホークスネストは既知の構造困難下でSTPPモデルの診断ストレステストを可能にする。 制御されたスイープの下では,指標が単調でほぼ直交であることを確認した。 構造的にホークスデータ生成バックボーンと整合しているにもかかわらず, 結合不均一性-絡み合いの複雑さの下で, ホークス系ベースラインが劣化することを示す。 さらに、HawkesNestはニューラルモデル感度を露呈する: AutoSTPPは、時空の絡み合いの孤立した増加の下でも脆弱である。 コード。 https://github.com/YahyaAalaila/HawkesNestで入手できる。

関連論文リスト

• Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
  本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
  論文  参考訳（メタデータ） (2026-05-18T08:51:33Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• A Nonparametric Discrete Hawkes Model with a Collapsed Gaussian-Process Prior [0.5352699766206809]
  ベースラインと励起の両方にガウス過程を優先する非パラメトリックフレームワークを提案する。 これにより、所定の傾向、周期性、または崩壊形を伴わないスムーズなデータ適応構造が得られる。 シミュレーションでは、GP-DHPは多様な励起形状を復元し、ベースラインを進化させる。
  論文  参考訳（メタデータ） (2025-09-26T07:23:57Z)
• Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
  因果発見のための統合フレームワークであるFANTOMを紹介する。 非定常過程と非ガウス的および異方性雑音を扱う。 同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
  論文  参考訳（メタデータ） (2025-06-20T15:12:43Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Flexible Parametric Inference for Space-Time Hawkes Processes [9.21863588989844]
  本稿では,これらのデータに基づいて,時空ホークスプロセスの強度関数に関わるカーネル関数のパラメータを高速かつ柔軟なパラメトリック推論手法を開発することを目的とする。
  論文  参考訳（メタデータ） (2024-06-10T23:40:16Z)
• Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
  本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。 我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。 既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。 また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T05:31:23Z)
• Local Independence Testing for Point Processes [0.8702432681310401]
  既存のテストは強力なモデル仮定を必要とする。例えば、真のデータ生成モデルは、潜在する共同設立者がいないホークスプロセスである。 本稿では,Volterraの拡張に類似した拡張を,限界強度を表すツールとして導入する。 我々の理論の主な結果は、そのような展開が真の辺化強度を任意に近似できるということである。
  論文  参考訳（メタデータ） (2021-10-25T07:40:31Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。