作者们提出了一种名为 Graph Hawkes Neural Network 的方法，可以用来建模动态图序列中的事件发生，同时还可以预测未来事件发生的时间和类型。实验证明，该方法对于大规模的时态多关系数据库非常有效，例如时间知识图谱。

Mar, 2020

提出了一种用于同时多事件预测的新神经结构，利用 transformers、normalizing flows 和 probabilistic layers，以实现 spatio-temporal Hawkes 过程的批量复杂历史相关的未来离散事件分布预测，取得了包括南加州地震，Citibike，Covid-19 和 Hawkes 合成风车数据集在内的各种基准数据集的最新性能。

Nov, 2022

提出了一种利用 self-attention 机制进行 intensity function 拟合的 self-attentive Hawkes process 方法，相较于传统的统计方法和深度循环神经网络，该方法能更好地识别时间事件之间的复杂依赖关系，并且能够捕捉更长的历史信息，可以针对多变量事件序列进行有效的复杂模式预测。

Jul, 2019

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

通过将自激励水平视为随机微分方程，我们提出了对 Hawkes 过程的扩展，该新点过程允许更好地逼近事件和强度相互加速且传染性相关水平的应用领域。我们推广了一种最近用于模拟具有随机激发水平的 Hawkes 过程的算法，并提出了混合马尔可夫链蒙特卡罗方法来拟合模型。我们的采样过程与所需事件的数量呈线性比例，并且不需要点过程的平稳性。我们提出了一种由 Gibbs 和 Metropolis Hastings 步骤组合而成的模块化推断过程。我们将期望最大化作为特例。这种一般方法是通过几何布朗运动和指数朗之万动力学的传染研究进行了说明。

Sep, 2016

提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性，相较于现有先进的神经点过程。

Dec, 2023

本文在神经 Hawkes 过程、演绎式数据库、神经符号化模型、注意力机制等关键技术的基础上，采用注意力机制的扁平化结构替换其原来的 LSTM 架构，并展示了相对较高的精度。

Dec, 2021

本文提出了一种变分神经时间点过程（VNTPP），通过引入推理和生成网络，训练深度神经网络中的潜变量分布以应对时间点过程的随机特性，并利用潜变量分布计算强度函数，从而更准确地预测事件类型和到达时间，实验证明该模型可以广义地表示各种事件类型，并在合成和实际数据集上表现优异。

Feb, 2022

研究了 Hawkes 过程对生成突发事件序列的基础属性，然后将该模型适用于日本公司办公室中的对话序列数据，估计了个体之间自己兴奋、基础事件率和它的时间衰减的相对大小。同时指出该模型的重要局限性在于无法独立调节事件间隔的相关性和突发性。

May, 2012

本文研究了多个时间序列数据的影响结构的问题，通过对多元线性 Hawkes 过程的网络还原因果结构，并提出了算法来学习支持兴奋矩阵，最终在合成的多元 Hawkes 网络，股票市场和 MemeTracker 的真实数据集上进行了评估。

Mar, 2016