Dynamic Latent Graph-Guided Neural Temporal Point Processes

要約

継続的に観察されるイベントの発生は、多くの場合、自己励起効果および相互励起効果を示しますが、これは時間点プロセスを使用して適切にモデル化できます。
さらに、これらのイベントのダイナミクスは、特定の周期的な傾向とともに時間の経過とともに変化する可能性もあります。
我々は、このような時間的ダイナミクスの混合を捕捉するための新しい変分オートエンコーダを提案します。
より具体的には、入力シーケンスの時間間隔全体が一連のサブ間隔に分割されます。
イベントのダイナミクスは、各サブ間隔内では静止していると想定されますが、それらのサブ間隔にわたって変化している可能性があります。
特に、逐次潜在変数モデルを使用して、サブ区間ごとに観測された次元間の依存関係グラフを学習します。
このモデルは、学習された依存関係グラフを使用して過去のイベントの寄与しない影響を除去することにより、将来のイベント時間を予測します。
そうすることで、提案されたモデルは、既存の最先端のニューラル ポイント プロセスと比較して、いくつかの実世界のイベント シーケンスのイベント間の時間とイベント タイプを予測する精度が高いことを実証します。

要約(オリジナル)

Continuously-observed event occurrences, often exhibit self- and mutually-exciting effects, which can be well modeled using temporal point processes. Beyond that, these event dynamics may also change over time, with certain periodic trends. We propose a novel variational auto-encoder to capture such a mixture of temporal dynamics. More specifically, the whole time interval of the input sequence is partitioned into a set of sub-intervals. The event dynamics are assumed to be stationary within each sub-interval, but could be changing across those sub-intervals. In particular, we use a sequential latent variable model to learn a dependency graph between the observed dimensions, for each sub-interval. The model predicts the future event times, by using the learned dependency graph to remove the noncontributing influences of past events. By doing so, the proposed model demonstrates its higher accuracy in predicting inter-event times and event types for several real-world event sequences, compared with existing state of the art neural point processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google