Conditional Generative Modeling for High-dimensional Marked Temporal Point Processes

要約

ポイント プロセスは、シーケンシャル イベント モデリングのための多用途のフレームワークを提供します。
しかし、既存の点プロセス モデルの計算上の課題と表現力の制約により、より広範なアプリケーションへの可能性が妨げられています。
この制限は、テキストや画像などの多次元または高次元のマークに関連付けられたイベント データを扱う場合に特に顕著になります。
この課題に対処するために、この研究では、高次元マークを使用して点プロセスをモデル化するための新しいイベント生成フレームワークを提案します。
条件付き強度または確率密度関数を明示的に指定せずに、イベントの分布を取得することを目的としています。
代わりに、イベントの履歴を入力として受け取り、以前の観察を考慮して発生する可能性が高い高品質の後続イベントを生成する条件付きジェネレーターを使用します。
提案されたフレームワークは、多次元または高次元のイベント空間の複雑なダイナミクスを捉えるためのかなりの表現力や、モデルの学習とサンプルの生成における優れた効率など、多くの利点を提供します。
当社の数値結果は、他の最先端のベースラインと比較して優れたパフォーマンスを示しています。

要約(オリジナル)

Point processes offer a versatile framework for sequential event modeling. However, the computational challenges and constrained representational power of the existing point process models have impeded their potential for wider applications. This limitation becomes especially pronounced when dealing with event data that is associated with multi-dimensional or high-dimensional marks such as texts or images. To address this challenge, this study proposes a novel event-generation framework for modeling point processes with high-dimensional marks. We aim to capture the distribution of events without explicitly specifying the conditional intensity or probability density function. Instead, we use a conditional generator that takes the history of events as input and generates the high-quality subsequent event that is likely to occur given the prior observations. The proposed framework offers a host of benefits, including considerable representational power to capture intricate dynamics in multi- or even high-dimensional event space, as well as exceptional efficiency in learning the model and generating samples. Our numerical results demonstrate superior performance compared to other state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google