Buchumschlag

Deep State-Space Generative Model For Correlated Time-to-Event Predictions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xue, Yuan, Zhou, Denny, Du, Nan, Dai, Andrew M., Xu, Zhen, Zhang, Kun, Cui, Claire
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Continuous-Time State-Space Models for Marked Event Sequences
von: Chang, Yuxin, et al.
Veröffentlicht: (2024)

Learning to Select the Best Forecasting Tasks for Clinical Outcome Prediction
von: Xue, Yuan, et al.
Veröffentlicht: (2024)

An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes
von: Chen, George H.
Veröffentlicht: (2024)

Long Range Switching Time Series Prediction via State Space Model
von: Zhang, Jiaming, et al.
Veröffentlicht: (2024)

CMamba: Channel Correlation Enhanced State Space Models for Multivariate Time Series Forecasting
von: Zeng, Chaolv, et al.
Veröffentlicht: (2024)

Preventing Model Collapse in Deep Canonical Correlation Analysis by Noise Regularization
von: He, Junlin, et al.
Veröffentlicht: (2024)

Automated Model-Free Sorting of Single-Molecule Fluorescence Events Using a Deep Learning Based Hidden-State Model
von: Zeng, Wenqi, et al.
Veröffentlicht: (2025)

Quantum-Optimized Selective State Space Model for Efficient Time Series Prediction
von: Jura, Stefan-Alexandru, et al.
Veröffentlicht: (2025)

Deep Switching State Space Model (DS$^3$M) for Nonlinear Time Series Forecasting with Regime Switching
von: Xu, Xiuqin, et al.
Veröffentlicht: (2021)

State Space Models for Event Cameras
von: Zubić, Nikola, et al.
Veröffentlicht: (2024)

Time-Varying Deep State Space Models for Sequences with Switching Dynamics
von: Karilanova, Sanja, et al.
Veröffentlicht: (2026)

Predicting Liquidity Coverage Ratio with Gated Recurrent Units: A Deep Learning Model for Risk Management
von: Xu, Zhen, et al.
Veröffentlicht: (2024)

EIDOS: Latent-Space Predictive Learning for Time Series Foundation Models
von: Zhou, Xinxing, et al.
Veröffentlicht: (2026)

DiM-TS: Bridge the Gap between Selective State Space Models and Time Series for Generative Modeling
von: Yao, Zihao, et al.
Veröffentlicht: (2025)

PowerMamba: A Deep State Space Model and Comprehensive Benchmark for Time Series Prediction in Electric Power Systems
von: Menati, Ali, et al.
Veröffentlicht: (2024)

Exploring Adversarial Robustness of Deep State Space Models
von: Qi, Biqing, et al.
Veröffentlicht: (2024)

Cellular Traffic Prediction via Deep State Space Models with Attention Mechanism
von: Ma, Hui, et al.
Veröffentlicht: (2025)

MambaJSCC: Adaptive Deep Joint Source-Channel Coding with Generalized State Space Model
von: Wu, Tong, et al.
Veröffentlicht: (2024)

Deep State Space Recurrent Neural Networks for Time Series Forecasting
von: Inzirillo, Hugo
Veröffentlicht: (2024)

Generative Discrete Event Process Simulation for Hidden Markov Models to Predict Competitor Time-to-Market
von: Santhi, Nandakishore, et al.
Veröffentlicht: (2024)

Emerging Synergies in Causality and Deep Generative Models: A Survey
von: Zhou, Guanglin, et al.
Veröffentlicht: (2023)

Regularization-Based Efficient Continual Learning in Deep State-Space Models
von: Zhang, Yuanhang, et al.
Veröffentlicht: (2024)

Scalable Event-by-event Processing of Neuromorphic Sensory Signals With Deep State-Space Models
von: Schöne, Mark, et al.
Veröffentlicht: (2024)

Efficiently Generating Correlated Sample Paths from Multi-step Time Series Foundation Models
von: Baron, Ethan, et al.
Veröffentlicht: (2025)

Latent Matters: Learning Deep State-Space Models
von: Klushyn, Alexej, et al.
Veröffentlicht: (2026)

Time-SSM: Simplifying and Unifying State Space Models for Time Series Forecasting
von: Hu, Jiaxi, et al.
Veröffentlicht: (2024)

MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series
von: Chen, Zhicheng, et al.
Veröffentlicht: (2024)

DeepLévy: Learning Heavy-Tailed Uncertainty in Highly Volatile Time Series
von: Yang, Yang, et al.
Veröffentlicht: (2026)

Enhancing Q-Value Updates in Deep Q-Learning via Successor-State Prediction
von: Zu, Lipeng, et al.
Veröffentlicht: (2025)

The Effect of Depth on the Expressivity of Deep Linear State-Space Models
von: Bao, Zeyu, et al.
Veröffentlicht: (2025)

Demystifying the Token Dynamics of Deep Selective State Space Models
von: Vo, Thieu N, et al.
Veröffentlicht: (2024)

Layer-Adaptive State Pruning for Deep State Space Models
von: Gwak, Minseon, et al.
Veröffentlicht: (2024)

Deep Generative Models for Subgraph Prediction
von: Mahmoudzadeh, Erfaneh, et al.
Veröffentlicht: (2024)

Communication-Efficient Federated Learning by Exploiting Spatio-Temporal Correlations of Gradients
von: Zheng, Shenlong, et al.
Veröffentlicht: (2026)

Propagation of Chaos in One-hidden-layer Neural Networks beyond Logarithmic Time
von: Glasgow, Margalit, et al.
Veröffentlicht: (2025)

Self-Supervised State Space Model for Real-Time Traffic Accident Prediction Using eKAN Networks
von: Tan, Xin, et al.
Veröffentlicht: (2024)

An Event-centric Framework for Predicting Crime Hotspots with Flexible Time Intervals
von: Jin, Jiahui, et al.
Veröffentlicht: (2024)

Evaluating Time-Series Training Dataset through Lens of Spectrum in Deep State Space Models
von: Kanai, Sekitoshi, et al.
Veröffentlicht: (2024)

Calibration-then-Calculation: A Variance Reduced Metric Framework in Deep Click-Through Rate Prediction Models
von: Fan, Yewen, et al.
Veröffentlicht: (2024)

Compute-in-Memory Implementation of State Space Models for Event Sequence Processing
von: Zhang, Xiaoyu, et al.
Veröffentlicht: (2025)