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
这篇论文提出了一种基于增强学习方法的灵活时空点过程模型的算法,该算法可以生成满足真实数据分布的样本来评估模型质量,并采用逐步改进的策略参数化模型。模拟结果表明其在合成和真实数据中均表现良好。
Nov, 2018
利用深度强化学习方法,能够处理由异步、随机、离散事件构成的连续时间情形下的智能干预问题,并应用于个性化教学和病毒式营销领域,取得了比其他方法更好的效果。
May, 2018
本文提出一种基于 Doob 的 h 变换的 Markov 过程,并使用大偏差函数和相对熵等原理对其进行了解释和推广,包括控制方法和近似大偏差函数的新方法。
Jun, 2015
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
我们提出了一个能够逐步扩展解释性时间逻辑规则集来解释时间事件发生的框架。利用时间点过程建模和学习框架,规则内容和权重将逐渐优化,直到观察的事件序列的似然性最佳。我们的算法通过在主问题中更新当前规则集的权重,并在子问题中搜索和包含新规则来增加似然性。主问题被定义为凸问题,使用连续优化方法相对容易求解,而子问题需要在庞大的组合规则谓词和关系空间中进行搜索。为了克服这一挑战,我们提出了一种神经搜索策略,通过学习生成新规则内容的一系列动作。该策略参数将使用强化学习框架进行端到端训练,其中奖励信号可以通过评估子问题目标来高效查询。训练好的策略可以以可控的方式生成新规则。我们在合成和真实的医疗数据集上评估了我们的方法,取得了有前景的结果。
Aug, 2023
通过 Hawkes 过程建立了异步离散事件的环境动力学模型,并开发了一种基于模型的强化学习算法,用于解决社交媒体、金融和健康信息学中广泛存在的顺序决策问题。
Jan, 2022
本文提出了一种基于因果模型的稀疏化时间点过程模型,利用超定理和因果单调性提出了一种新的算法,生成了给定时间点下的反事实情形,并在合成和实际流行病数据的模拟实验中取得了有效结果。
Nov, 2021
提出一种基于参数的点过程模型,并使用交替优化方法学习‘注册’点过程和描述每个观测序列特异性方面的‘弯曲’函数。在合理的限制下,通过同时求解一组约束非线性规划问题更新样本特定的弯曲函数,并通过最大似然估计更新模型,实验所得结果表明,该方法比现有方法更为可解释,实现了令人鼓舞的结果。
Oct, 2017
本研究提出了一种基于被标记的时间点过程的新事件生成模型,其通过条件生成器以及多维标记来捕捉点过程的分布,从而在多维事件空间中实现了出色的学习效率和样本生成性能的表现,并且通过在数值实验中对比其他最先进基线表明其性能优于其他方法。
May, 2023