要約
長期的なイベント予測は、小売、金融、医療、およびソーシャルネットワークを含む様々な分野で重要です。従来の手法であるマーク付き時系列ポイントプロセス（Marked Temporal Point Processes: MTPP）は、複数の未来のイベントを予測するために自己回帰モデルに依存することが多いですが、これらのモデルはしばしば定常的または反復的な出力に収束するという問題があり、その効果性と一般的な適用範囲が制限されています。これらの課題に対処するため、我々はコンピュータビジョンの物体検出技術から着想を得た新しいアプローチであるDeTPP（Detection-based Temporal Point Processes）を提案します。DeTPPは、信頼性のある予測可能なイベントを選択的に優先する独自のマッチングベースの損失関数を採用しており、推論時の予測精度と多様性を向上させます。本手法は長期的なイベント予測において新たな最先端を確立し、既存のMTPPや次K方法に対して最大77%の相対的な改善を達成しています。特に提案されたハイブリッドアプローチは、大規模な取引データセット上で次のイベント予測の精度を最大2.7%向上させています。また、DeTPPは推論速度でも最速クラスに属しています。DeTPPの実装はGitHub上で公開されています。