神经时序点过程用于预测高阶和方向交互

Jan, 2023

神经时序点过程用于预测高阶和方向交互

Neural Temporal Point Process for Forecasting Higher Order and Directional Interactions

Tony Gracious, Arman Gupta, Ambedkar Dukkipati

TL;DR本论文提出了一种基于深度神经网络的模型，名为 “有向超节点时间点过程 (Directed HyperNode Temporal Point Process)”，用于预测高阶有向交互作用，具有很高的效率并经过了大量实证研究。

Abstract

Real-world systems are made of interacting entities that evolve with time. Creating models that can forecast interactions by learning the dynamics of entities is an important problem in numerous fields. Earlier works used dynamic graph models to achieve this. However, real-world interactions are more complex than pairwise, as they involve more than two entit

interaction forecasting dynamic graph model deep neural network hyperedge event forecasting empirical study

发现论文，激发创造

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

深度结构点过程用于学习时空交互网络

本文提出了一种新型的 Deep Structural Point Process（DSPP）来学习时间交互网络。通过将拓扑结构和长程依赖结构结合，设计拓扑融合编解码器和关注偏移编解码器，以提高模型表达能力，在项预测和时间预测任务中均实现了显著改进。

Jul, 2021

深度图核点过程

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

超越 Hawkes：空间 - 时间点过程上的神经多事件预测

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。

Nov, 2022

模拟电子病历的可解释神经时空点过程建模

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

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

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

单纯闭包与高阶链接预测

使用高阶交互作用模型，研究 19 个数据集的时空演化，证明高阶交互作用种类多样，同一系统类型的数据集具有一致的高阶结构模式，同时，密度与强度是高阶组织的竞争指标，并提出高阶链接预测作为模型和算法的基准问题，发现与传统的成对链接预测有根本区别。

Feb, 2018

基于神经点过程的图上社区事件预测

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

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