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
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
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
提出了一种用于周期性感知预测短序列未来事件的元学习方法,通过点过程建模和时间周期模式考虑来提高事件预测性能。
Jan, 2024
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
研究如何通过直接建模条件插值时间的条件分布来克服强制使参数化强度函数的局限性,并提出了一个简单的混合模型,其匹配了基于流的模型的灵活性,但也允许闭式采样和计算矩,该模型在标准预测任务中表现出最先进的性能,适用于学习序列嵌入和填补缺失数据等新领域。
Sep, 2019
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
该文章综述了有关神经时间点过程的现有知识,讨论了神经时间点过程的设计选择、通用原则和应用领域,并列出了该领域未来工作的重要方向和挑战。
Apr, 2021
本文提出了一种基于无强度的点过程建模方法,使用 Wasserstein 距离训练模型,以解决目前采用极大似然方法训练存在的多峰分布问题,在各种合成和真实数据上的实验证明了该方法的优越性。
May, 2017