将神经时序点过程应用于大规模工业数据的挑战与机遇
机器学习
2022-08-19 v1
摘要
在这项工作中，我们通过仔细复现迄今为止已发表文献基准上的神经时序点过程(NTPP)模型，并将NTPP模型应用于一个规模为最大公开可用NTPP基准两倍的新颖真实世界消费者行为数据集，识别出将NTPP模型应用于工业规模客户行为数据的开放研究机遇。我们识别出以下挑战。首先，NTPP模型尽管具有生成性质，仍易受数据集不平衡影响，且无法预测稀有事件。其次，基于随机微分方程的NTPP模型，尽管具有理论吸引力和在文献基准上的领先性能，却不易扩展到大型工业规模数据。前者鉴于先前对深度生成模型的观察。此外，为应对冷启动问题，我们探索了对NTPP模型的新增改进——基于静态用户特征的参数化。
引用
@article{arxiv.2208.08623,
title = {Challenges and opportunities in applying Neural Temporal Point Processes to large scale industry data},
author = {Dominykas Šeputis and Jevgenij Gamper and Remigijus Paulavičius},
journal= {arXiv preprint arXiv:2208.08623},
year = {2022}
}