KDDMay, 2023

时空扩散点过程

PDF
TL;DR该研究提出了一种新的基于扩散模型的参数化框架，用于学习复杂的时空联合分布，它打破了现有解决方案对时空依赖关系的限制，并实现了灵活准确的预测。
spatio-temporal point processjoint distributiondiffusion modelsco-attention moduleadaptive modeling
发现论文，激发创造
  • 时空神经点过程的自动整合

    AutoSTPP 是一种用于恢复复杂强度函数的自动化空时神经点过程的方法，它扩展了 AutoInt 方法至三维空时点过程，证明了其一致性，并在合成数据和基准真实数据集上验证了其显著优势，特别是在强度函数明显局部化的不规则空时事件中。

    Oct, 2023

  • 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

  • 事件序列预测的交互扩散过程

    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

  • 深度混合点过程：利用丰富的上下文信息进行时空事件预测

    本研究提出了基于深度混合点过程（DMPP）的点过程模型，用于利用丰富的上下文信息来预测时空事件。模型的密度函数被设计为核函数的混合，其中混合权重由深度神经网络建模，并且将复杂非线性上下文影响到事件发生的自动学习成为可能。与现有方法相比，DMPP 在真实世界数据集上具有更好的预测性能。

    Jun, 2019

  • 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

  • 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

  • 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

  • 无强度卷积时空点过程：融合局部和全局事件上下文

    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

  • 基于神经常微分方程的脱耦合标记时态点过程

    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