ترجمه فارسی مقاله Cotode: معادلات دیفرانسیل عادی عصبی مسیر مداوم برای مدل سازی توالی رویداد

چکیده

Observation of the underlying actors that generate event sequences reveals that they often evolve continuously. Most modern methods, however, tend to model such processes through at most piecewise-continuous trajectories. To address this, we adopt a way of viewing events not as standalone phenomena but instead as observations of a Gaussian Process, which in turn governs the actor’s dynamics. We propose integrating these obtained dynamics, resulting in a continuous-trajectory modification of the widely successful Neural ODE model. Through Gaussian Process theory, we were able to evaluate the uncertainty in an actor’s representation, which arises from not observing them between events. This estimate led us to develop a novel, theoretically backed negative feedback mechanism. Empirical studies indicate that our model with Gaussian process interpolation and negative feedback achieves state-of-the-art performance, with improvements up to 20% AUROC against similar architectures.

چکیده به فارسی (ترجمه ماشینی)

مشاهده بازیگران اساسی که توالی رویداد ایجاد می کنند ، نشان می دهد که آنها اغلب به طور مداوم تکامل می یابند.با این حال ، اکثر روشهای مدرن تمایل دارند که چنین فرآیندهایی را در اکثر مسیرهای پراکنده و مداوم مدل کنند.برای پرداختن به این موضوع ، ما راهی را برای مشاهده وقایع نه به عنوان پدیده مستقل بلکه در عوض به عنوان مشاهدات یک روند گاوسی اتخاذ می کنیم ، که به نوبه خود حاکم بر پویایی بازیگر است.ما یکپارچه سازی این دینامیک های به دست آمده را پیشنهاد می کنیم ، و در نتیجه اصلاح مسیر مداوم از مدل ODE عصبی بسیار موفق.از طریق تئوری فرآیند گاوسی ، ما توانستیم عدم اطمینان را در نمایندگی یک بازیگر ارزیابی کنیم ، که ناشی از عدم مشاهده آنها بین وقایع است.این برآورد باعث شد تا ما یک مکانیسم بازخورد منفی جدید ، از لحاظ نظری با پشتیبانی.مطالعات تجربی نشان می دهد که مدل ما با درون یابی فرآیند گاوسی و بازخورد منفی به عملکرد پیشرفته و پیشرفته می رسد ، با پیشرفت های تا 20 ٪ AUROC در برابر معماری های مشابه.