本文介绍了使用基于递归神经网络的点过程模型来处理异步时间戳事件生成的方法,其中包括背景模型和历史影响模型,模型以端对端的方式进行训练,并应用于使用全球银行的 1000 多台 ATM 的日志数据的预测性维护问题。
May, 2017
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
本文通过建立 RNN-TPPs 在多个已知 TPP 设置下的超额风险界限,证明了不超过四层的 RNN-TPP 可以实现逐渐减小的泛化误差,技术贡献包括多层 RNN 类的复杂性刻画,逼近动态事件强度函数的 $ anh$ 神经网络构建以及缓解无界事件序列问题的截断技术,结果填补了 TPP 应用和神经网络理论之间的差距。
Jun, 2024
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
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
本文提出利用神经常微分方程作为计算方法的新型参数化方法来处理时空点过程,使得离散事件能够在连续时间和空间上进行灵活且精确的建模,本方法包括连续时间神经网络、Jump 以及 Attentive Continuous-time Normalizing Flows 等两种新型神经网络结构,能够处理在时间和空间领域内的复杂分布,并能够非常巧妙地对事件历史进行建模,我们在地震学、流行病学、城市移动性以及神经科学等领域的数据集上验证了我们的模型。
Nov, 2020
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
这篇论文介绍了时间线上点过程的概念和应用,重点是通过条件强度函数定义这些过程,讨论了基于条件强度函数建模的方法和相关推断、模拟和残差分析。
Jun, 2018