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
该研究提出了一种无需领域知识的通用框架来生成可行的反事实序列，其包括使用马尔可夫模型计算可行性并调整三个度量以确保其整体的可行性，相较于需要领域知识的最新方法表现良好，并且可以生成可行的反事实序列。
Mar, 2023
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
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
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
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
本研究提出了一种基于确定性点过程的依赖稀化方法，其可用于生成新的点过程用于网络建模以及概率传输调度方案，并利用统计学习技术优化了这些模型。
Oct, 2018
通过使用基因算法技术，考虑运行时的一系列时间约束条件，我们在预测性过程监控的解释性领域中，为反事实在生成方面进行了改进，以保持时间背景知识的满意度，以及遵循反事实的传统质量指标。
Mar, 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
本文研究如何为点过程设计最优控制策略，通过最优测度和变分推断的角度来解决随机最优控制问题，并提出了一种凸优化框架和有效的算法来自适应地更新策略，实验表明我们的算法比其他随机控制方法更准确和高效。
Jan, 2017