元时点过程
TriTPP 基于 normalizing flows 设计出的新的无序 TPP 模型,具有与基于 RNN 的方法相同的灵活性,但允许快速采样,可用于离散状态系统中的变分推断。在合成和现实世界数据集上展示了所提出框架的优点。
Jun, 2020
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
在实时场景下,持续监测神经时序点过程(TPP)以学习流式事件序列是一个重要且尚未深入研究的问题。本文提出了一种简单而有效的框架 PromptTPP 来解决这一挑战,通过将基础 TPP 与连续时间检索提示池集成,使得模型能够在不缓存过去的例子或任务特定属性的情况下连续学习事件流。针对建模事件流的实验性设置,PromptTPP 在三个真实用户行为数据集上持续达到最先进的性能。
Oct, 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
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
为了创建一个中央基准测试以评估时间点过程模型,本文介绍了 EasyTPP,它具有多个机器学习库的通用框架,提供了八个高度引用的神经时间点过程模型的全面实现,以及常用的评估指标和数据集。通过建立此基准测试,我们将有助于推动本领域的可重复研究,从而加速研究进展并产生更重大的现实影响。
Jul, 2023
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
研究了医疗资源分配的效率和定制化医疗的发展,使用 Temporal Point Process(TPP)来建模 EHRs,提出了神经网络参数化的 TPPs,经过对合成 EHRs 和基准数据的评估,表明 TPPs 在 EHRs 上明显优于非 TPP 同行,提出了注意力机制神经 TPP,优于现有模型,符合现实世界的可解释性要求,是临床决策支持系统的重要组成部分。
Jul, 2020