Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Modeling Continuous-time Event Data with Neural Temporal Point Processes
Übersetzter Titel:
Modellierung von zeitkontinuierlichen Ereignisdaten mit neuronalen temporalen Punktprozessen
Autor:
Shchur, Oleksandr
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Günnemann, Stephan (Prof. Dr.)
Gutachter:
Günnemann, Stephan (Prof. Dr.); Linderman, Scott (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
Stichworte:
machine learning, probabilistic modeling, event data, temporal point process
TU-Systematik:
DAT 600; DAT 703; DAT 708
Kurzfassung:
Temporal point processes (TPPs) provide a natural framework for modeling continuous-time event data such as earthquake catalogs in seismology or spike trains in neuroscience. Unlike conventional TPP models, neural TPPs are able to capture complex patterns present in real-world event data. The two main themes of this thesis are design of flexible, tractable and efficient neural TPP models, and their applications to real-world problems.
Übersetzte Kurzfassung:
Temporale Punktprozesse (TPPs) bilden den natürlichen Rahmen zur Modellierung von Ereignisfolgen wie Erdbebenkataloge in der Seismologie oder Spike Trains in der Neurowissenschaft. Im Gegensatz zu konventionellen TPP-Modelle können neuronale TPPs komplexe Muster aus realen Ereignisdaten erfassen. Den Schwerpunkt dieser Arbeit bilden der Entwurf flexibler, interpretierbarer und effizienter neuronaler TPP-Modelle und die Anwendung dieser auf reale Probleme.
WWW:
https://mediatum.ub.tum.de/?id=1662914
Eingereicht am:
04.07.2022
Mündliche Prüfung:
12.12.2022
Dateigröße:
4422511 bytes
Seiten:
159
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221212-1662914-1-9
Letzte Änderung:
20.01.2023
 BibTeX