論文の概要: Seahorse: A Unified Benchmarking Framework for Spatiotemporal Event Modeling

• arxiv url: http://arxiv.org/abs/2607.01022v1
• Date: Wed, 01 Jul 2026 14:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.94523
• Title: Seahorse: A Unified Benchmarking Framework for Spatiotemporal Event Modeling
• Title（参考訳）: Seahorse: 時空間イベントモデリングのための統一ベンチマークフレームワーク
• Abstract要約: 最近のNeuralPは、強度モデル、条件密度モデル、連続時間潜時ダイナミクス、正規化フローデコーダ、スコアベースの生成メカニズムにまたがっている。 再現可能な空間P実験のための統合フレームワークSEAHORSEを提案する。 イベント・パターンの複雑さの増加は、各家族の帰納バイアスを露呈し、いくつかの劣化モデルが鋭く、他は安定していることを示す。
• 参考スコア（独自算出の注目度）: 0.17205106391379024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal point processes (STPPs) model event data in continuous time and space, with applications in mobility, epidemiology, and public safety. Recent neural STPPs span expressive intensity models, conditional density models, continuous-time latent dynamics, normalizing-flow spatial decoders, and score-based generative mechanisms. Yet comparison remains fragile because implementations differ in preprocessing, coordinate normalization, splits, likelihood conventions, and evaluation protocols. We present SEAHORSE, a unified framework for reproducible STPP experimentation. SEAHORSE formalizes neural STPPs through a common encode-evolve-decode interface and trains, tunes, and evaluates every model family under a single executable benchmark protocol with raw-coordinate likelihood reporting. This enables fair comparisons but, more importantly, controlled diagnostic studies. We pair SEAHORSE with HawkesNest, a synthetic stress-test suite, and show that increasing event-pattern complexity exposes each family's inductive bias, degrading some models sharply and leaving others stable. Code: https://github.com/YahyaAalaila/seahorse.
• Abstract（参考訳）: 時空間プロセス(STPP)は、移動性、疫学、公衆安全などのイベントデータを連続時間と空間でモデル化する。 最近の神経STPPは、表現力モデル、条件密度モデル、連続時間潜時ダイナミクス、正規化フロー空間デコーダ、スコアベースの生成機構にまたがる。 しかし、前処理、コーディネート正規化、分割、可能性規約、評価プロトコルが異なるため、比較は脆弱である。 再現可能なSTPP実験のための統合フレームワークSEAHORSEを提案する。 SEAHORSEは、共通のエンコード・イベレーブ・デコードインターフェースを通じてニューラルSTPPを形式化し、すべてのモデルファミリを1つの実行可能なベンチマークプロトコルで評価する。 これは公正な比較を可能にするが、より重要なのは、制御された診断研究である。 SEAHORSEを合成ストレステストスイートであるHawksNestと組み合わせて、イベントパターンの複雑さの増加が各家族の帰納バイアスを露呈し、いくつかのモデルを鋭く劣化させ、他のモデルを安定させることを示した。 コード:https://github.com/YahyaAalaila/seahorse.com

関連論文リスト

• Scalable Simulation-Based Model Inference with Test-Time Complexity Control [12.86778906492369]
  PRISMはシミュレーションベースのエンコーダデコーダであり、両方の離散モデル構造に対して結合後部を推論する。 拡散MRIデータに対する生体物理モデリングにおけるPRISMの評価を行い、複数のマルチコンパートメントモデル間でモデル選択を行う能力を示す。
  論文  参考訳（メタデータ） (2026-03-16T13:54:15Z)
• TRACE: Scalable Amortized Causal Discovery from Single Sequences via Autoregressive Density Estimation [14.409508347156397]
  プロセスが生成する離散事象の1つの観測シーケンスから因果発見について検討した。 本稿では,自己回帰モデルを条件付き相互情報推定のための事前学習密度推定器として再利用するスケーラブルなフレームワークTRACEを紹介する。
  論文  参考訳（メタデータ） (2026-02-01T10:18:27Z)
• Large EEG-U-Transformer for Time-Step Level Detection Without Pre-Training [1.3254304182988286]
  局所的特徴と大域的特徴の両方を捉えることで表現を効率的に学習する単純なU字モデルを提案する。 他のウィンドウレベルの分類モデルと比較して,本手法は時間段階の予測を直接出力する。 我々のモデルは、てんかんおよび他の神経疾患における人工知能に関する国際会議において、2025年の第1回「青信号検出チャレンジ」で優勝した。
  論文  参考訳（メタデータ） (2025-04-01T01:33:42Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• 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)
• Flexible Triggering Kernels for Hawkes Process Modeling [11.90725359131405]
  近年、ホークスプロセスのモデリングのためのエンコーダ・デコーダ構造は、トランスフォーマーにインスパイアされたアーキテクチャを用いている。 複雑な(多層化)アテンション構造をトリガーカーネルに置き換えることで、歴史的イベントシーケンスの効率的で汎用的なエンコーディングを導入する。
  論文  参考訳（メタデータ） (2022-02-03T22:02:22Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
  log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。 異なる家族間でのモデルランキングの相関はみられない。
  論文  参考訳（メタデータ） (2020-02-17T20:13:35Z)

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。