本研究提出了一种全新的基于变分贝叶斯推断法的、用于处理连续高斯过程调制泊松过程的方案，并得出了有关神经科学、地理统计和天文学等领域的实验数据，证明这种方案具有非常高的效率和性能优势。
Nov, 2014
本章介绍了点过程、特别是霍克斯过程，用于对连续时间上的离散、相互依赖的事件进行建模。我们介绍了霍克斯过程及其事件强度函数、事件模拟和参数估计方案，并描述了一个基于社交媒体数据的实际例子。我们提出了内存核的设计方法，以及如何估计参数和预测流行度的结果。代码和示例事件数据作为在线附录提供。
Aug, 2017
使用一种增强泊松过程的生成性概率框架来预测个体在复杂演化系统中的流行动态，并成功证明此模型在引文数据集上表现优异。
Jan, 2014
本文介绍了蒙特卡洛仿真的泊松过程模型，解释了如何通过扰动和最大化质量函数来完成对离散分布的采样。并通过构建随机函数的方法用于无限空间中的泊松过程模型，综述了 A * 采样和 OS * 采样两种不同蒙特卡洛方法。
Feb, 2016
提出了一种基于多输出高斯过程的灵活、可扩展的联合模型来解决缺失和噪声问题，利用模型估计事件发生的概率来推测事件，通过置信度准则和代价分析进行事件预测.
本文提出了一种基于粒子平滑的方法，通过使用一种基于双向连续时间（LSTM）的可训练提议分布来填补残缺的序列，从而推断出遗漏的事件序列，该方法在多个合成和真实领域实验中表现出色，在推断地面真实未观察到的事件方面十分有效。
May, 2019
本研究提出了一种有效的基于 Hawkes 过程的 Dirichlet 混合模型方法来解决事件序列聚类问题，并通过 EM 算法的内外迭代进行分析和学习，演示了该方法的优越性和稳健性。
Jan, 2017
连续时间中的神经标记时间点过程为连续时间事件数据的统计参数模型工具箱增添了有价值的内容。本文提出了一个通用框架，用于建模连续时间中的集合值数据，并开发了适用于任何基于强调的递归神经点过程模型的推理方法。在四个真实世界数据集上进行系统实验，通过对基于集合的序列进行重要性抽样，证明了效率大幅提升。通过展示如何使用该框架来执行不涉及一步预测的似然度进行模型选择。
Dec, 2023
本文介绍了一种利用神经估计器进行概率推断的方法，针对具有层次结构的模型，从实际应用的角度出发，利用粒子碰撞数据和强引力透镜观测数据进行案例研究并得出相应的结论。
Jun, 2023
通过电子邮件通信的间隔时间，作者估算人类活动的非泊松性与昼夜节律和周律有关，并提出了一个级联的非齐次泊松过程来模拟这样的间隔时间，并证明了该模型能够很好地解释实际数据。
Jan, 2009