可扩展的联合模型用于可靠的不确定性感知事件预测
提出了一种解决非均匀时间间隔和时间上的不对齐问题的概率预测模型，该模型通过允许观测时间成为模型构建的核心来克服现有方法的局限性，使用条件流表示来非参数地表示数据分布，并通过精心分解对数似然目标来监督该表示。
Jun, 2023
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
我们引入了一种基于证据的模型，用于预测具有被审查数据的事件发生时间。该模型使用高斯随机模糊数量来量化事件时间的不确定性，这是一种新引入的与信任函数相关的实数随机模糊子集族，可以推广高斯随机变量和高斯可能性分布。我们的方法对于底层事件发生时间分布做出了最小化的假设。通过最小化同时考虑正常和被审查数据的广义负对数似然函数，我们对模型进行了拟合。对两个真实世界数据集进行的比较实验证明了我们模型相对于现有技术的非常好的性能。
Jun, 2024
我们研究了在数据点序列中预测和解释事件发生的挑战，特别关注未知触发器导致事件发生的非连续、屏蔽和嘈杂数据点的情况。通过结合分析、仿真和机器学习方法，我们探索、量化和提供了解决此挑战的解决方案，并确证了支持各种变化的通用方程。使用这些方程，我们描述了复杂性如何随各参数变化（例如，明显和隐藏状态的数量、触发器长度、置信度等）而变化，并量化了成功训练机器学习模型所需的数据。我们还证明了我们的机器学习解决方案能够学习和识别未知触发器并预测事件的发生。如果挑战的复杂性过高，我们的机器学习解决方案可以识别触发器候选项，以更高效的方式与正在调查的系统进行交互，以确定真正的触发器。通过分享我们的发现，我们希望帮助其他面临类似挑战的人们，让他们能够估计问题的复杂性、所需数据以及解决方案。
Jun, 2024
我们提出了一种基于扩散的非自回归时间点过程模型，用于连续时间的长期事件预测。该模型通过发展一个双向映射来在事件序列上执行扩散过程，并设计了一种新的降噪网络来捕捉顺序和上下文特征，从而在长期事件预测中取得了优越的性能。
Nov, 2023
本文介绍了 TransformerLSR，一种基于 Transformer 的深度建模和推断框架，用于同时联合建模长期测量、重复事件和生存数据的三个组成部分，通过整合深度时间点过程到联合建模框架中，并将重复事件和终端事件看作两个依赖于过去的长期测量和重复事件时间的竞争过程。此外，TransformerLSR 引入了一种新颖的轨迹表示和模型架构，可以潜在地结合已知的潜在结构的先验知识。通过仿真研究和对肾移植后患者的真实医疗数据进行分析，我们证明了 TransformerLSR 的有效性和必要性。
Apr, 2024
我们提出了一个灵活高效的潜变量模型，利用高斯过程捕捉样本与相关缺失模式之间的时间相关性，并构建可变分自动编码器模型来处理高维度、结构化缺失模式和未知随机过程等数据挑战。
Feb, 2024
该论文提出了两种新的模型，WGP-LN 和 FD-Dir，用于建模基于异步事件序列的预测模型，在预测过程中考虑了时间的影响和不确定性，结合 RNNs 和概率分布，取得了比其他方法更好的预测性能。
Nov, 2019
本文提出了一个基于神经网络的端到端模型，可以在存在缺失值的时间序列数据上，同时实现预测并融合缺失值，相比现有方法表现出更好的综合性能。
Jun, 2023