Fugu-MT 論文翻訳(概要): Weighted Score-Oriented Losses for Temporally Localized Event Prediction

論文の概要: Weighted Score-Oriented Losses for Temporally Localized Event Prediction

arxiv url: http://arxiv.org/abs/2606.23145v1
Date: Mon, 22 Jun 2026 10:45:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 21:18:13.905724
Title: Weighted Score-Oriented Losses for Temporally Localized Event Prediction
Title（参考訳）: 時間的局所イベント予測のための重み付きスコア指向損失
Authors: Edoardo Legnaro, Sabrina Guastavino, Francesco Marchetti,
Abstract要約: 本稿では,イベント予測のための重み付きスコア指向損失(wSOL)の時間的局所化について検討する。我々は、事象が許容アラームに先行する場合には、ほぼ無限の偽陽性を減らし、偽陰性な罰則を減らす時間重みを考慮する。バランスの取れた精度、真のスキル統計、F1、重要な成功指標、関連する混乱行列スコアでインスタンス化することができる。
参考スコア（独自算出の注目度）: 4.014524824655106
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Operational event-detection systems are rarely assessed by pointwise accuracy alone. In anomaly detection, changepoint detection, and warning systems, the utility of an alarm depends on its temporal position relative to an event. This produces a score-loss mismatch. Neural networks are commonly trained with classical loss functions, such as cross-entropy, whereas deployment decisions are obtained by thresholding network predictions, merging alarms through post-processing rules, and evaluating them with event-based metrics defined by detection windows and false-alarm costs. This paper studies a temporally localized specialization of weighted score-oriented loss (wSOL) for event prediction. Starting from score-oriented losses based on expected confusion matrices and from the weighted SOL framework of Marchetti et al., we consider temporal weights that discount near-event false positives and reduce false-negative penalties when an event is preceded by an admissible alarm. The resulting objective is differentiable with respect to the network predictions, and therefore can be optimized by back-propagation. It can be instantiated with balanced accuracy, true skill statistic, F1, critical success index, and related confusion-matrix scores. We evaluate the proposed approach by comparing cross-entropy, unweighted score-oriented loss, and wSOL on three benchmark datasets for time-series event prediction and detection. The results show that wSOL can improve performance when the evaluation utility is localized in time and is not already encoded by the pointwise labels.
Abstract（参考訳）: 操作事象検出システムは、ポイントワイドの精度だけで評価されることは滅多にない。異常検出、変更点検出、警告システムでは、アラームの効用は事象に対する時間的位置に依存する。これによりスコアロスミスマッチが発生します。ニューラルネットワークは、クロスエントロピーのような古典的な損失関数で訓練されるのに対して、デプロイメントの決定は、ネットワーク予測のしきい値を設定し、後処理ルールを通じてアラームをマージし、ウィンドウの検出と偽アラームコストによって定義されたイベントベースのメトリクスで評価することで得られる。本稿では,イベント予測のための重み付きスコア指向損失(wSOL)の時間的局所化について検討する。予測された混乱行列に基づくスコア指向の損失と、マルケッティらによる重み付けSOLフレームワークから始め、事象が許容アラームによって先行される場合、ほぼ偶発的な偽陽性を減らし、偽陰性な罰則を減少させる時間重みを考察する。結果として得られる目的は、ネットワーク予測に関して微分可能であり、したがってバックプロパゲーションによって最適化できる。バランスの取れた精度、真のスキル統計、F1、重要な成功指標、関連する混乱行列スコアでインスタンス化することができる。時系列イベント予測と検出のための3つのベンチマークデータセット上で,クロスエントロピー,非重み付きスコア指向損失,およびwSOLを比較して提案手法を評価する。その結果、評価ユーティリティが時間内にローカライズされ、ポイントワイズラベルでエンコードされていない場合、wSOLは性能を向上できることがわかった。

関連論文リスト

Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles [9.53248032827498]
FATE(Forecasting Anomalies with Time-Series Ensembles)を提案する。 FATEは将来の値を予測し、アンサンブルの不一致を利用して、推論時にターゲット値にアクセスすることなく、潜在的な異常の早期兆候を示す。 5つの実世界のベンチマークデータセットの実験により、FATEはPTaPR AUCの19.9ポイント、早期検出のF1スコアの20.02ポイントの平均的な改善を達成している。
論文参考訳（メタデータ） (2026-02-19T02:48:09Z)
Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文参考訳（メタデータ） (2025-09-27T20:57:48Z)
Error-quantified Conformal Inference for Time Series [55.11926160774831]
時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
論文参考訳（メタデータ） (2025-02-02T15:02:36Z)
Towards Unbiased Evaluation of Time-series Anomaly Detector [6.521243384420707]
時系列異常検出(TSAD)は、その重要な応用に動機付けられた研究の進化する領域である。本研究では,平衡点調整(BA)と呼ばれる代替調整プロトコルを提案する。
論文参考訳（メタデータ） (2024-09-19T19:02:45Z)
Event Detection via Probability Density Function Regression [0.0]
本研究では、時間間隔定義イベント検出問題を再編成する一般化回帰に基づく手法を提案する。コンピュータビジョンからの熱マップ回帰技術にインスパイアされた本手法は,事象発生時の確率密度を予測することを目的としている。回帰に基づくアプローチは,様々な最先端のベースラインネットワークやデータセットのセグメンテーションに基づく手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-08-23T01:58:56Z)
SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文参考訳（メタデータ） (2023-10-25T03:33:45Z)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
Adaptive Thresholding Heuristic for KPI Anomaly Detection [1.57731592348751]
時系列領域では、多くの異常検知器が探索されているが、ビジネス的な意味では、すべての異常検出器が興味のある異常であるわけではない。本稿では,データ分布の局所特性に基づいて検出閾値を動的に調整し,時系列パターンの変化に適応する適応的閾値保持ヒューリスティック(ATH)を提案する。実験結果から, ATHは効率が良く, ほぼリアルタイムで異常検出が可能であり, 予測器や異常検出器で柔軟であることがわかった。
論文参考訳（メタデータ） (2023-08-21T06:45:28Z)
Local Evaluation of Time Series Anomaly Detection Algorithms [9.717823994163277]
本稿では,弱い仮定下でのほとんどすべてのデータセットに対して,逆アルゴリズムが高精度に到達し,リコール可能であることを示す。本稿では,精度/リコール指標に対する理論的基盤,頑健,パラメータフリー,解釈可能な拡張を提案する。
論文参考訳（メタデータ） (2022-06-27T10:18:41Z)
Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文参考訳（メタデータ） (2022-05-13T21:09:41Z)

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。