May, 2022

基于神经点过程的图上社区事件预测

PDF
TL;DR本文提出一种将图神经网络和时间点过程结合的新模型，用于连续时间动态图上的事件预测，并将事件预测问题分解为三个条件概率建模，实现了在大规模图上的高效预测，实验结果表明该模型在准确性和训练效率方面均具有优越性。
continuous time dynamic graphsevent forecastinggraph neural networkstemporal point processconditional probability modeling
发现论文，激发创造
  • 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

  • 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

  • 基于神经常微分方程的脱耦合标记时态点过程

    一个名为 Marked Temporal Point Process 的随机过程研究了异步时间事件的复杂动态，利用深度神经网络和神经常微分方程处理数据，提供了对事件影响和整体动态的解耦成果以及对实际应用的分析。

    Jun, 2024

  • 神经时间点过程模型对连续时间事件数据的预测准确性

    本文提出了一种综合性大规模实验研究，在系统评估现有神经 TPP 模型的预测准确性、事件编码等关键环节的影响基础上，深入分析了人们对这种模型标记分布不正确的情况存在的认识片面问题，并提供了有效的解决方案。

    Jun, 2023

  • 利用时间点过程进行长期预测

    本文提出 DualTPP 模型来改善 目前设计选择所带来的远期事件预测效果差的限制，该模型包括两个组件：一个无强度的 MTPP 模型（捕获未来事件的微观或粒度级信号），以及一个从不同的双重视角模拟聚合事件，因此包含宏观事件动态。通过一种新的推理框架，共同关注这两种模型，可以高效地预测长期事件，实验表明该模型比现有 MTPP 方法在长期预测方面表现更好。

    Jan, 2021

  • 连续时间域中的时间事件集预测深度表示学习

    使用基于时空点过程的方法，通过加入上下文事件嵌入、时间信息和领域特征来建立模型，解决了连续时间域中预测事件集强度的问题，并通过大量实验表明，该方法在预测指标和计算效率上优于现有方法。

    Sep, 2023

  • 事件序列预测的交互扩散过程

    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

  • 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

  • 学习时间点过程用于连续时间事件序列的高效检索

    我们提出了 NEUROSEQRET，它可以学习检索和排名相关连续时间事件序列的集合，以解决连续时间事件序列的检索问题，并使用 MTPP 引导神经相关模型，以及使用二元序列嵌入的优化框架来进行哈希，从而获得显着的速度优化。

    Feb, 2022

  • 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