Feb, 2023

足球比赛事件分析的基于 Transformer 的神经标记时空点过程模型

PDF
TL;DR本篇研究提出了基于神经时间点过程 (NTPP) 框架的基于 Transformer 的标记空间时间点过程 (NMSTPP) 模型，并提出了综合利用球权的度量方法（HPUS），其中，该模型在足球事件数据的预测表现优于基线模型，而 HPUS 得分可以更全面地评估足球比赛中球权的利用率。
football event datatransformer-based neural marked spatio temporal point process (nmstpp) modelholistic possession utilization score (hpus) metricperformance metricstemporal point processes
发现论文，激发创造
  • 基于得分匹配的神经标记时空点过程的伪似然估计和不确定性量化

    通过 Score MAtching-based pSeudolikeliHood 估计器来学习具有不确定性量化能力的标记 Spatio-temporal point processes (STPPs)，并在事件预测和不确定性量化方面展示其卓越性能。

    Oct, 2023

  • 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

  • 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

  • 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

  • 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

  • 元时点过程

    本文提出了将时间点过程 (TPP) 作为神经过程 (NP) 的一个实例，并将其训练于元学习框架中，使用上下文集来建模 TPP，引入了本地历史匹配来帮助学习更丰富的特征，并在公共基准数据集和任务上展示了该方法的潜力。

    Jan, 2023

  • 神经时序点过程模型用于电子健康记录建模

    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

  • RoTHP：基于旋转位置嵌入的变压器霍克斯过程

    本文中，我们提出了一种基于旋转位置嵌入的 THP (RoTHP) 架构，通过相对时间嵌入与 Hawkes 过程的耦合，理论上展示了 RoTHP 的平移不变性和序列预测灵活性，同时在时间戳平移和序列预测任务中进行的实证研究表明 RoTHP 在序列数据场景中具有更好的泛化性。

    May, 2024

  • 神经时空点过程：综述

    该文章综述了有关神经时间点过程的现有知识，讨论了神经时间点过程的设计选择、通用原则和应用领域，并列出了该领域未来工作的重要方向和挑战。

    Apr, 2021

  • 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