KDDJul, 2021

深度结构点过程用于学习时空交互网络

PDF
TL;DR本文提出了一种新型的 Deep Structural Point Process（DSPP）来学习时间交互网络。通过将拓扑结构和长程依赖结构结合，设计拓扑融合编解码器和关注偏移编解码器，以提高模型表达能力，在项预测和时间预测任务中均实现了显著改进。
temporal interaction networksdspptopological fusion encoderattentive shift encoderitem prediction
发现论文，激发创造
  • 神经时序点过程用于预测高阶和方向交互

    本论文提出了一种基于深度神经网络的模型，名为 “有向超节点时间点过程 (Directed HyperNode Temporal Point Process)”，用于预测高阶有向交互作用，具有很高的效率并经过了大量实证研究。

    Jan, 2023

  • 多关系递归超图中的交互事件预测：一种时间点过程方法

    使用动态图表示学习框架预测多关系递归超图中的高阶交互事件，通过学习动态节点表示和超边链接预测的编码器和解码器来捕捉涉及多个实体的复杂关系，从而优于以前的交互预测方法。

    Apr, 2024

  • 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

  • 无强度卷积时空点过程：融合局部和全局事件上下文

    利用连续时间卷积事件编码器和 RNN 集成局部和全局上下文的 TPP 建模方法在事件预测方面具有较高的准确性，这是第一个将卷积神经网络应用于 TPP 建模的工作。

    Jun, 2023

  • 元时点过程

    本文提出了将时间点过程 (TPP) 作为神经过程 (NP) 的一个实例，并将其训练于元学习框架中，使用上下文集来建模 TPP，引入了本地历史匹配来帮助学习更丰富的特征，并在公共基准数据集和任务上展示了该方法的潜力。

    Jan, 2023

  • 神经时空点过程：综述

    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

  • 时空扩散点过程

    该研究提出了一种新的基于扩散模型的参数化框架，用于学习复杂的时空联合分布，它打破了现有解决方案对时空依赖关系的限制，并实现了灵活准确的预测。

    May, 2023

  • 模拟电子病历的可解释神经时空点过程建模

    基于 word2vec 和 Hawkes 过程，提出了一个可解释的事件序列建模框架 inf2vec，其中事件影响直接参数化并可进行端到端学习，实验证明了我们模型在事件预测和类型影响学习方面的优越性。

    Apr, 2024

  • 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

  • 时空图神经点过程用于交通拥堵事件预测

    提出了一种名为 STGNPP 的时空图神经点过程框架，用于交通拥堵事件预测，通过设计时空图学习模块捕捉历史交通状态数据及道路网络的远程时空依赖关系，将提取的时空隐藏表示和拥堵事件信息输入到连续门循环单元中以建模拥堵演变模式，并通过周期门控机制改进点过程的强度函数计算以充分利用周期性信息，此模型同时预测下一个拥堵的发生时间和持续时间，在两个真实世界数据集上的大量实验表明，我们的方法在性能上优于现有的最先进方法。

    Nov, 2023