连续时间事件流中的丢失事件插补
本文介绍了神经粒子平滑法,一种用于从给定概率模型中采样输入字符串注释的顺序蒙特卡罗方法,通过训练向前看的 LSTM 来改进样本的质量,同时解释了神经模型和神经采样器可被视为处理非常大状态空间上的 HMM 时的低维非线性逼近。
Apr, 2018
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
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.
Aug, 2017
本文介绍一种基于历史数据,使用逐步加粗的粒子来近似表示潜在状态分布的序列预测模型,利用连续可微分的方案,根据贝叶斯规则,自适应提取有价值的信息和更新潜在状态,并在预测任务中取得了良好的效果。
Dec, 2022
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
我们提出了一种使用扩散生成模型的新方法,该模型能够预测基于历史事件序列的多步预测,并学习多个事件类型的类型和时间间隔的联合概率分布,以实现对长时间跨度的预测。
Oct, 2023
提出了一种连续时间事件的概率模型,采用触发后继事件泊松过程的方法对观察到的事件进行建模,并使用 EM 算法进行高效推理,可以作为分布式算法实现,可用于模拟推特消息和维基百科的修订历史。
Mar, 2012
本文研究了粒子方法逼近平滑分布问题,并提出线性时间复杂度的联合平滑分布的逼近算法。在该模型下,本文的主要贡献是建立了收敛性质和边界,证明了一些误差估计的一致性。
Feb, 2012
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