論文の概要: Flexible Intensities Matter: A Comprehensive Re-evaluation of Hawkes Processes and Neural Temporal Point Processes

• arxiv url: http://arxiv.org/abs/2611.06348v1
• Date: Wed, 04 Nov 2026 11:08:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.09022
• Title: Flexible Intensities Matter: A Comprehensive Re-evaluation of Hawkes Processes and Neural Temporal Point Processes
• Title（参考訳）: フレキシブルインテンシティ(フレキシブルインテンシティ)の課題: ホークスプロセスとニューラルテンポラルポイントプロセスの総合的再評価
• Abstract要約: 近年、神経性TPPは古典的TPPよりもかなり優れていることが報告されている。 本稿では,ニューラルTPPに対する柔軟性を増大させるPoissonとHawkesのプロセスの体系的評価を通じて,この比較を再考する。 従来のTPPとニューラルTPPの一貫性のある実装を備えたオープンソースパッケージとして、私たちのフレームワークであるTorchPPをリリースします。
• 参考スコア（独自算出の注目度）: 10.704544380420456
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal point processes (TPPs) are the canonical framework for event sequence data, with applications spanning seismology, social media, and electronic health records. Recently, neural TPPs have been reported to substantially outperform classical TPPs, such as Hawkes processes, but these comparisons pitted flexible neural models against Hawkes processes in their most restricted form, and did not consider large-scale medical data. Here, we revisit this comparison through a systematic evaluation of Poisson and Hawkes processes of increasing flexibility against neural TPPs, on five established benchmark datasets and on two large-scale medical evaluation tasks derived from UK Biobank disease histories and MIMIC-IV ICU records, under autoregressive next-event prediction. First, the previously reported gap between Hawkes processes and neural TPPs largely disappears once Hawkes processes are equipped with flexible, learnable baselines and kernels. Second, the flexibility of the intensity parametrization also limits prior neural TPPs: a Transformer with a spline-based intensity head outperforms previous intensity-based neural TPPs and is on par with the intensity-free model. Decomposing the log-likelihood into a time term $\log p(t)$ and a type term $\log p(d \mid t)$, we find that this flexibility advantage lies almost entirely in the time density: more flexibility does not improve the type term. On these benchmarks, the gains of neural TPPs thus lie mostly in modeling when events occur, not which. Third, our results underscore the value of complex datasets for evaluating TPPs: only on the MIMIC-IV ICU records do neural TPPs retain an advantage in the type term. Our results inform both future method development and model choice. We release our framework, TorchPP, as an open-source package with consistent implementations of classical and neural TPPs.
• Abstract（参考訳）: 時間的ポイントプロセス(TPP)は、地震学、ソーシャルメディア、電子健康記録にまたがる、イベントシーケンスデータのための標準的なフレームワークである。 近年、ニューラルTPPはホークス過程などの古典的TPPよりもかなり優れていることが報告されているが、これらの比較はホークス過程に対して最も制限された形で柔軟なニューラルモデルに穴をあけており、大規模な医療データを考慮していない。 本稿では,神経性TPPに対する柔軟性を高めるPoissonとHawkesのプロセスの体系的評価,確立された5つのベンチマークデータセット,および英国のバイオバンク病歴とMIMIC-IV ICU記録から得られた2つの大規模医療評価タスクについて,自己回帰的次の事象予測の下で,この比較を考察する。 まず、ホークスプロセスとニューラルTPPのギャップは、ホークスプロセスが柔軟で学習可能なベースラインとカーネルを備えると、ほとんど消える。 第2に、インテンシティパラメトリゼーションの柔軟性は、前回の神経性TPPを制限する:スプラインベースのインテンシティヘッドを持つトランスフォーマーは、以前のインテンシティベースのニューラルTPPよりも優れており、インテンシティフリーモデルと同等である。 log-likelihood を時間項 $\log p(t)$ と、型項 $\log p(d \mid t)$ に分解すると、この柔軟性の利点はほとんど時間密度にあることが分かる。 これらのベンチマークでは、ニューラルTPPのゲインは主に、イベントが発生したときのモデリングに関係している。 第3に,MIMIC-IV ICUレコード上でのみ,TPPは型項の優位性を維持している。 今後の手法開発とモデル選択について報告する。 従来のTPPとニューラルTPPの一貫性のある実装を備えたオープンソースパッケージとして、私たちのフレームワークであるTorchPPをリリースします。

関連論文リスト

• Smooth Neural Point Processes via B-Splines [3.4765379241536465]
  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。
  論文  参考訳（メタデータ） (2026-07-23T09:29:21Z)
• NeuroMem-FHP: A Likelihood-Free Deep Learning Framework for Parameter Estimation of Fractional Hawkes Process [2.376995292379181]
  分数的ホークス過程(FHP)のパラメータを推定する枠組みを提案する。 2つのニューラルアーキテクチャ、すなわちLong Short-Term Memory(LSTM)ネットワークとTransformerを開発し、モデルパラメータを推定する。 実験により、両方のニューラルモデルが古典的最大等化推定法(MLE)よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2026-07-13T07:19:01Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• On the Predictive Accuracy of Neural Temporal Point Process Models for Continuous-time Event Data [3.13468877208035]
  時間的ポイントプロセス(TPP)は、非同期イベントシーケンスを連続的にモデル化するための標準的な数学的フレームワークとして機能する。 ニューラルネットワークのパラメトリゼーションを活用し、より柔軟で効率的なモデリングを提供するNeural TPPを提案する。 本研究では,最先端のニューラルTPPモデルの予測精度を系統的に評価する。
  論文  参考訳（メタデータ） (2023-06-29T16:14:43Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
  本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。 過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。 このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
  論文  参考訳（メタデータ） (2020-08-17T23:39:33Z)
• Neural Temporal Point Processes For Modelling Electronic Health Records [2.1836918611973366]
  EHRを時間的ポイントプロセスによって生成されるサンプルとして扱う。 本稿では、TPPのニューラルネットワークパラメータ化を提案し、これを総合的にNeural TPPと呼ぶ。 以上の結果から,TPP は EHR において非TPP よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-27T18:16:54Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。