論文の概要: Smooth Neural Point Processes via B-Splines

• arxiv url: http://arxiv.org/abs/2607.21098v1
• Date: Thu, 23 Jul 2026 09:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.349576
• Title: Smooth Neural Point Processes via B-Splines
• Title（参考訳）: B-スプラインによる滑らかなニューラルポイントプロセス
• Abstract要約: 時間的ポイントプロセス(TPP)は、連続的にイベントのシーケンスをモデル化するための汎用的で柔軟なフレームワークを提供する。 本稿では,B-スプライン基底関数の非負結合として条件強度関数(CIF)を直接パラメータ化する新しいTPPモデルを提案する。 合成データセットと実世界のデータセットの両方の実験では、計算効率と予測精度が改善された。
• 参考スコア（独自算出の注目度）: 3.4765379241536465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal point processes (TPPs) provide a general and flexible framework for modeling sequences of events in continuous time. Neural networks have been successfully employed to model TPPs in a highly expressive and data-driven way. Neural TPPs are typically trained via Maximum Likelihood Estimation (MLE) by minimizing the negative log-likelihood (NLL), which depends on both the conditional intensity function (CIF) and its integral over time, the compensator. Recent neural TPP approaches enable exact evaluation of the NLL without numerical integration. However, these methods typically model the compensator rather than the CIF directly, impose constraints on the neural network architecture, and are computationally expensive during training, as event contributions to the NLL are evaluated sequentially rather than in parallel. In this work, we propose a novel neural TPP model that directly parametrizes the CIF as a non-negative combination of B-spline basis functions, whose coefficients are predicted by a neural network. This formulation enables exact evaluation of the NLL, preserves full flexibility in the neural architecture, allows efficient parallelization during training, and naturally supports CIF smoothness regularization through the integrated squared second derivative. Experiments on both synthetic and real-world datasets show improved computational efficiency and predictive accuracy compared to the reference neural TPP baseline.
• Abstract（参考訳）: 時間的ポイントプロセス(TPP)は、連続的にイベントのシーケンスをモデル化するための汎用的で柔軟なフレームワークを提供する。 ニューラルネットワークは、表現力が高くデータ駆動的な方法でTPPをモデル化するのに成功している。 ニューラルTPPは、条件強度関数(CIF)と時間とともにその積分である補償器に依存する負の対数類似度(NLL)を最小化することにより、最大同値推定(MLE)を介して訓練される。 最近のニューラルTPPアプローチは、数値積分なしでNLLの正確な評価を可能にする。 しかしながら、これらの手法は通常、CIFではなく補償器をモデル化し、ニューラルネットワークアーキテクチャに制約を課し、訓練中に計算コストがかかる。 本研究では,ニューラルネットワークによって予測されるB-スプライン基底関数の非負結合としてCIFを直接パラメタライズするニューラルTPPモデルを提案する。 この定式化は、NLLの正確な評価を可能にし、ニューラルアーキテクチャの完全な柔軟性を保ち、トレーニング中の効率的な並列化を可能にし、統合された2次微分によるCIF滑らか度正規化を自然にサポートする。 合成データセットと実世界のデータセットの両方の実験では、参照されたニューラルネットワークTPPベースラインと比較して計算効率と予測精度が向上した。

関連論文リスト

• Unified Complex-valued Neural Network: A Magnitude-Phase Computational Model for Event-Driven Neuromorphic Learning [0.3499870393443268]
  本稿では,Unified Complex-valued Neuron(UCN)に基づくネットワークを提案する。 UCNでは、位相固有の時間的進化と値のスパイク放出の間に信号強度をエンコードする。 その結果、UCNベースの時間ネットワーク(UCNN)は正確で安定的で解釈可能な学習を提供することを示した。
  論文  参考訳（メタデータ） (2026-06-27T21:59:01Z)
• Deep learning with missing data [3.829599191332801]
  本稿では,既存の計算手法と組み合わせて適用可能なパターン埋め込みニューラルネットワーク(PENN)を提案する。 インプットされたデータに基づいてトレーニングされたニューラルネットワークに加えて、PENNは観察指標のベクトルを第2のニューラルネットワークに渡して、コンパクトな表現を提供する。 出力は第3のニューラルネットワークに結合され、最終的な予測が生成される。
  論文  参考訳（メタデータ） (2025-04-21T18:57:36Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Parameter estimation for WMTI-Watson model of white matter using encoder-decoder recurrent neural network [0.0]
  本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。 提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
  論文  参考訳（メタデータ） (2022-03-01T16:33:15Z)
• On feedforward control using physics-guided neural networks: Training cost regularization and optimized initialization [0.0]
  モデルベースのフィードフォワードコントローラの性能は、典型的には逆システム力学モデルの精度によって制限される。 本稿では,特定物理パラメータを用いた正規化手法を提案する。 実生活の産業用リニアモーターで検証され、追跡精度と外挿の精度が向上する。
  論文  参考訳（メタデータ） (2022-01-28T12:51:25Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• A Neural Network Approach for Online Nonlinear Neyman-Pearson Classification [3.6144103736375857]
  論文の中では,オンラインと非線形の両方で初となる新しいNeyman-Pearson(NP)分類器を提案する。 提案する分類器は、オンライン方式でバイナリラベル付きデータストリーム上で動作し、ユーザが指定し、制御可能な偽陽性率の検出能力を最大化する。 提案アルゴリズムは大規模データアプリケーションに適しており,実時間処理による偽陽性率制御性を実現している。
  論文  参考訳（メタデータ） (2020-06-14T20:00:25Z)

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。