基于图正则化的事件传播序列点过程模型
本研究提出了基于图点过程的方法来预测未来的事件,并利用图神经网络模型来表示可学习核,实现了对事件之间的关系结构的揭示,该方法在预测未来事件和展示数据关系结构方面优于现有方法。
Jun, 2023
利用点过程框架,我们提出了一种新颖的循环图网络方法来预测离散标记事件序列,其中图神经网络使用 LSTM 来合并过去的信息,而图注意力网络引入了强大的归纳偏置来捕捉来自不同事件类型的交互。实验结果表明,与基于 Transformers 的现有技术相比,所提出的方法在对数似然、预测和拟合度任务中提高了性能,并且具有更低的时间和空间复杂度。
Aug, 2022
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
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。
May, 2022
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
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
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
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
我们提出了一种基于扩散的非自回归时间点过程模型,用于连续时间的长期事件预测。该模型通过发展一个双向映射来在事件序列上执行扩散过程,并设计了一种新的降噪网络来捕捉顺序和上下文特征,从而在长期事件预测中取得了优越的性能。
Nov, 2023
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