无强度学习时空点过程

ICLRSep, 2019

Intensity-Free Learning of Temporal Point Processes

Oleksandr Shchur, Marin Biloš, Stephan Günnemann

TL;DR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。

Abstract

temporal point processes are the dominant paradigm for modeling sequences of events happening at irregular intervals. The standard way of learning in such models is by estimating the conditional intensity function. However, parameterizing the intensity function usually incurs several t

temporal point processes event modeling normalizing flows mixture model conditional distribution

发现论文，激发创造

讲义：时间点过程与条件强度函数

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

基于全神经网络的一般时间点过程模型

本研究提出了基于递归神经网络 (RNN) 的新型时间点过程模型，能够以一种更为灵活的方式表示强度函数的时间变化，并能够精确地评估对数似然函数，使其能在综合和真实数据集上实现优越性能。

May, 2019

基于积分的标记时态点过程的无强度学习

通过 IFIB（无强度积分型进程）提出了一种在离散事件中高度准确建模条件联合概率密度 $p^*(m,t)$ 的解决方案，其中事件标记可以是分类的或连续多维空间的数值，该方法极大地简化了过程以满足数学约束条件，并通过在真实数据和合成数据集上展示出的优越实验结果进行验证。

Aug, 2023

通过循环神经网络建模点过程强度函数

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

深度生成点过程模型的 Wasserstein 学习

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

变分神经时序点过程

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

动态潜在图引导的神经时态点过程

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

通过强化学习学习时态点过程

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

反事实时点过程

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

神经时空点过程

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