DeTPP: Leveraging Object Detection for Robust Long-Horizon Event Prediction

要約

長期にわたる将来の出来事を予測することは長期予測として知られ、小売、金融、ヘルスケア、ソーシャル ネットワークなどのさまざまな分野で基本的なタスクです。
Marked Temporal Point Processes (MTPP) などの従来の方法では、通常、自己回帰モデルを使用して複数の将来のイベントを予測します。
ただし、これらのモデルでは、一定または反復的な出力に収束するなどの問題が頻繁に発生し、その有効性と適用性が大幅に制限されます。
これらの制限を克服するために、コンピューター ビジョンによる物体検出方法に触発された新しいアプローチである DeTPP (検出ベースの時間点プロセス) を提案します。
DeTPP は、信頼性の高い予測可能なイベントに選択的に焦点を当てる新しいマッチングベースの損失関数を利用し、トレーニングの堅牢性と推論の多様性の両方を強化します。
私たちの手法は、長期にわたるイベント予測において新たな最先端を確立し、既存の MTPP および Next-K アプローチを大幅に上回ります。
DeTPP の実装は GitHub で公開されています。

要約(オリジナル)

Forecasting future events over extended periods, known as long-horizon prediction, is a fundamental task in various domains, including retail, finance, healthcare, and social networks. Traditional methods, such as Marked Temporal Point Processes (MTPP), typically use autoregressive models to predict multiple future events. However, these models frequently encounter issues such as converging to constant or repetitive outputs, which significantly limits their effectiveness and applicability. To overcome these limitations, we propose DeTPP (Detection-based Temporal Point Processes), a novel approach inspired by object detection methods from computer vision. DeTPP utilizes a novel matching-based loss function that selectively focuses on reliably predictable events, enhancing both training robustness and inference diversity. Our method sets a new state-of-the-art in long-horizon event prediction, significantly outperforming existing MTPP and next-K approaches. The implementation of DeTPP is publicly available on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google