초록
장기 이벤트 예측은 소매, 금융, 의료, 그리고 소셜 네트워크 등 다양한 분야에서 중요합니다. 전통적인 방법인 마크된 시계열 포인트 프로세스(MTPP)는 종종 자기회귀 모델을 사용하여 여러 미래 이벤트를 예측합니다. 그러나 이러한 모델들은 일정한 또는 반복적인 출력으로 수렴하는 등의 문제를 자주 겪어, 그 효과성과 일반적인 적용 범위가 제한됩니다. 이러한 도전 과제를 해결하기 위해, 컴퓨터 비전의 객체 검출 기술에서 영감을 받은 새로운 접근 방식인 DeTPP(검출 기반 시계열 포인트 프로세스)를 소개합니다. DeTPP는 신뢰할 수 있는 이벤트 예측에 우선적으로 집중하는 독특한 매칭 기반 손실 함수를 사용하여 추론 과정에서 예측의 정확성과 다양성을 향상시킵니다. 우리의 방법은 장기 이벤트 예측에서 새로운 최고 수준을 달성하며, 기존 MTPP 및 다음-K 방법보다 최대 77%의 상대적 개선을 보입니다. 제안된 하이브리드 접근 방식은 대규모 거래 데이터셋에서 다음 이벤트 예측의 정확성을 최대 2.7%까지 향상시키는 것으로 나타났습니다. 특히, DeTPP는 추론 속도에서도 가장 빠른 방법 중 하나입니다. DeTPP의 구현은 GitHub에서 공개적으로 이용 가능합니다.