深度图核点过程
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
本文提出了一种图正则化点过程模型来建模事件传播,通过对节点嵌入的上下文化将时间关注度模型的励興和时间衰减因子构建到当前事件的过程中, 还通过应用图正则化方法提供了模型可解释性.
Nov, 2022
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。
Jan, 2023
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
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
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
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
本文介绍了使用基于递归神经网络的点过程模型来处理异步时间戳事件生成的方法,其中包括背景模型和历史影响模型,模型以端对端的方式进行训练,并应用于使用全球银行的 1000 多台 ATM 的日志数据的预测性维护问题。
May, 2017
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
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