PulseAugur
中
实时 07:38:43
English(EN) Non-Negative Matrix Factorization for Event Data

新的EventNMF模型直接分析连续时间事件数据

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了EventNMF，这是一种新颖的连续时间非负矩阵分解模型，旨在直接分析事件数据。与需要分箱或平滑的先前方法不同，EventNMF直接在原始事件时间上运行，保留了细粒度的时间特征和实体级别的异质性。该模型使用泊松过程框架和非负B样条基来揭示实体之间共享的时间模板，为神经科学和社交网络等领域的应用提供了数学上合理、高效且易于实现的解决方案。 AI

影响 引入了一种更精确的时间事件数据分析方法，有可能改进依赖此类数据的领域的模型。

排序理由 该集群包含一篇详细介绍事件数据分析新方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的EventNMF模型直接分析连续时间事件数据

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Research
该集群包含一篇详细介绍事件数据分析新方法的学术论文。
Source corroboration
2 independent sources
Multiple independent publishers reporting the same story raises confidence that it's real and newsworthy.
Topics
paper, other
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
125 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Rapha\"el Romero ·

    非负矩阵分解用于事件数据

    arXiv:2606.06205v1 Announce Type: new Abstract: Continuous-time event data, in which entities emit instantaneous events over time, arises naturally across many domains such as neuroscience, seismology, and social networks. Non-negative matrix factorization (NMF) is a natural tool…

  2. arXiv cs.LG TIER_1 English(EN) · Raphaël Romero ·

    非负矩阵分解用于事件数据

    Continuous-time event data, in which entities emit instantaneous events over time, arises naturally across many domains such as neuroscience, seismology, and social networks. Non-negative matrix factorization (NMF) is a natural tool to uncover interpretable structure in such data…

相关实体

相关话题