論文の概要: When Context Compensates for Sparse Event History: AlphaEarth for Spatio-Temporal Point-Process Forecasting
- arxiv url: http://arxiv.org/abs/2607.01082v1
- Date: Wed, 01 Jul 2026 15:38:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.96682
- Title: When Context Compensates for Sparse Event History: AlphaEarth for Spatio-Temporal Point-Process Forecasting
- Title（参考訳）: スパースイベント履歴に対するコンテキスト補償の時-時空間ポイント-プロセス予測のためのAlphaEarth
- Authors: Yahya Aalaila, Mouad Elhamdi, Gerrit Großmann, Daniel Jenson, Elizaveta Semenova, Sebastian Vollmer,
- Abstract要約: イベントのみのモデルとAlphaEarthの埋め込みによって強化されたモデルとを線形コンテキストとして比較する。
8地域での救急医療(EMS)の転院状況について検討した。
これらの結果から,事象履歴が限定された場合,文脈情報が予測を著しく安定化させる可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.1385411134620987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatio-temporal point-process models must often generalise across space when local event histories are sparse. We study whether exogenous spatial context can compensate in such regimes. Using a fixed log-Gaussian Cox process backbone, we compare an event-only model with the same model augmented by AlphaEarth embeddings as linear spatial context. We evaluate spatial transfer on emergency medical services (EMS) forecasting across eight held-out regions, fixed forecast anchors, and a sweep over history length $w$, using only AlphaEarth (AE) embeddings available strictly before each anchor. AE improves out-of-region predictive performance across all history regimes, with the largest gains under scarce histories: approximately $2$--$6\times$ multiplicative improvements at $1-2$ weeks, tapering to roughly $10$--$20\%$ at $w=20$--$104$ weeks. These results show that contextual information can substantially stabilise spatially transferred point-process forecasts when event history is limited.
- Abstract（参考訳）: 時空間ポイントプロセスモデルは、局所的な事象履歴がスパースである場合、しばしば空間全体にわたって一般化されなければならない。
このような状況下で外因性空間文脈が補うことができるかどうかを考察する。
固定対数ガウスコックスプロセスのバックボーンを用いて、AlphaEarthの埋め込みによって強化された同じモデルとイベントのみのモデルを線形空間コンテキストとして比較する。
救急医療サービス(EMS)の空間的移動を8つの保留領域で予測し,固定予測アンカーを固定し,各アンカーの前にAlphaEarth(AE)埋め込みを厳格に使用した。
約2ドル～6ドルタイムズ$乗算的改善は1～2週間で、テーパリングは約10ドル～20ドル%は$w=20ドル～104ドルである。
これらの結果から,事象履歴が限定された場合,文脈情報が空間的に伝達された点過程予測を著しく安定化させることができることが示唆された。
関連論文リスト
- Scalable inference of spatial regions and temporal signatures from time series [0.0]
地域化は、空間領域を同様の特徴を持つ連続した領域に分割することを目的としている。
既存の空間的局所化のアプローチは、進化する時系列ではなく静的な空間的スナップショットに依存するのが一般的である。
本研究では,空間時系列の局所化のための効率的で完全に非線形なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-06T15:07:37Z) - Score-Repellent Monte Carlo: Toward Efficient Non-Markovian Sampler with Constant Memory in General State Spaces [48.37754141688874]
本稿では,スコアと状態表現の次元である$Rd$のスコア評価の実行平均で履歴を要約するフレームワークを提案する。
この歴史は指数的なスコア傾きによって代理対象に変換され、歴史に基づく反発の大きさを制御する際の反発の強さを表す$$がインデックス付けされる。
連続目標モデルと離散エネルギーベースモデルの実験では、メモリ使用率を$O(d)$に抑えつつ、推定値の分散とモードカバレッジを改善した。
論文 参考訳（メタデータ） (2026-04-24T18:39:50Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - SpaceVLLM: Endowing Multimodal Large Language Model with Spatio-Temporal Video Grounding Capability [58.46310813774538]
大規模言語モデル (LMLM) は時間的あるいは空間的局所化において顕著な進歩を遂げた。
しかし、彼らは時間的なビデオグラウンドの実行に苦慮している。
この制限は2つの大きな課題に起因している。
時間的ビデオグラウンドティングを具備したMLLMVLであるSpaceLMを紹介する。
論文 参考訳（メタデータ） (2025-03-18T07:40:36Z) - Fine-grained Spatio-temporal Event Prediction with Self-adaptive Anchor Graph [8.435985634889285]
本稿では,詳細な事象予測のためのグラフ時空間点(GSTPP)モデルを提案する。
エンコーダ・コーダアーキテクチャを採用し、空間的局所化領域の状態ダイナミクスを共同でモデル化する。
提案したGSTPPモデルは,微細なイベント予測の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2025-01-15T08:38:07Z) - GeOT: A spatially explicit framework for evaluating spatio-temporal predictions [2.2766940909460986]
空間的評価基準と損失関数として最適輸送(OT)を提唱した。
提案手法は,予測誤差に関連する輸送コストを定量化し,予測モデルの性能を評価する。
自転車シェアリング、充電ステーション、交通データセットによる実験では、空間コストは非空間誤差メトリクスの限界変化によって大幅に削減されている。
論文 参考訳（メタデータ） (2024-10-15T15:46:03Z) - SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。
このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。
そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
論文 参考訳（メタデータ） (2023-12-02T07:40:21Z) - Temporal Action Localization with Multi-temporal Scales [54.69057924183867]
マルチ時間スケールの特徴空間における行動を予測することを提案する。
具体的には、異なるスケールの洗練された特徴ピラミッドを使用して、高レベルのスケールから低レベルのスケールにセマンティクスを渡す。
提案手法は, それぞれ12.6%, 17.4%, 2.2%の改善を達成できる。
論文 参考訳（メタデータ） (2022-08-16T01:48:23Z) - Surface Reconstruction from Point Clouds by Learning Predictive Context
Priors [68.12457459590921]
点雲からの表面の再構成は、3Dコンピュータビジョンにとって不可欠である。
推論時に各ポイントクラウドに対して予測的クエリを学習することで予測的コンテキスト優先を導入する。
一つの形状や複雑なシーンの表面再構成実験の結果, 広く使用されているベンチマークでは, 最先端のベンチマークよりも顕著な改善が見られた。
論文 参考訳（メタデータ） (2022-04-23T08:11:33Z) - Topological Attention for Time Series Forecasting [9.14716126400637]
永続的ホモロジーによって得られた$textitlocal topological properties$は、信頼できる信号として機能するかどうかを考察する。
歴史データの時間的地平線内における局所的な位相的特徴への参加を可能にする$textittopological attention$を提案する。
論文 参考訳（メタデータ） (2021-07-19T17:24:05Z)
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。