ICMLNov, 2022

超越 Hawkes：空间 - 时间点过程上的神经多事件预测

PDF
TL;DR提出了一种用于同时多事件预测的新神经结构，利用 transformers、normalizing flows 和 probabilistic layers，以实现 spatio-temporal Hawkes 过程的批量复杂历史相关的未来离散事件分布预测，取得了包括南加州地震，Citibike，Covid-19 和 Hawkes 合成风车数据集在内的各种基准数据集的最新性能。
spatio-temporal hawkes processesmulti-event forecastingneural architecturetransformersnormalizing flows
发现论文，激发创造
  • 神经霍克斯过程：一种神经自调节的多元点过程

    使用神经网络中的 LSTM 模型通过多维点过程建模离散事件流，可实现事件预测，包括缺失数据情况下的预测。

    Dec, 2016

  • 基于图霍克斯神经网络的时序知识图谱预测

    作者们提出了一种名为 Graph Hawkes Neural Network 的方法，可以用来建模动态图序列中的事件发生，同时还可以预测未来事件发生的时间和类型。实验证明，该方法对于大规模的时态多关系数据库非常有效，例如时间知识图谱。

    Mar, 2020

  • Transformer 霍克斯过程

    提出了一种基于 Transformer 和 Hawkes 过程的模型（THP），能够更好地捕捉事件序列数据中的短期和长期时间依赖关系，并能够通过集成结构性知识来改善预测表现。

    Feb, 2020

  • 不规则间隔事件及其参与者的变形器嵌入

    本文在神经 Hawkes 过程、演绎式数据库、神经符号化模型、注意力机制等关键技术的基础上，采用注意力机制的扁平化结构替换其原来的 LSTM 架构，并展示了相对较高的精度。

    Dec, 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

  • 社交媒体事件的 Hawkes 过程教程

    本章介绍了点过程、特别是霍克斯过程，用于对连续时间上的离散、相互依赖的事件进行建模。我们介绍了霍克斯过程及其事件强度函数、事件模拟和参数估计方案，并描述了一个基于社交媒体数据的实际例子。我们提出了内存核的设计方法，以及如何估计参数和预测流行度的结果。代码和示例事件数据作为在线附录提供。

    Aug, 2017

  • 应用动态霍克斯过程探索扩散过程背后时变社群状态

    本文提出了一种名为动态 Hawkes 过程（DHP）的方法，它能够捕捉事件扩散背后的社区状态演化规律，并基于演化规律预测事件的发生。与其他五种采用的事件预测方法相比，DHP 的实验表现更加优异。

    May, 2021

  • 自我关注 Hawkes 过程

    提出了一种利用 self-attention 机制进行 intensity function 拟合的 self-attentive Hawkes process 方法，相较于传统的统计方法和深度循环神经网络，该方法能更好地识别时间事件之间的复杂依赖关系，并且能够捕捉更长的历史信息，可以针对多变量事件序列进行有效的复杂模式预测。

    Jul, 2019

  • 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