神经时间点过程模型对连续时间事件数据的预测准确性

Jun, 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

On the Predictive Accuracy of Neural Temporal Point Process Models for Continuous-time Event Data

Tanguy Bosser, Souhaib Ben Taieb

TL;DR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。

Abstract

temporal point processes (TPPs) serve as the standard mathematical framework for modeling asynchronous event sequences in continuous time. However, classical TPP models are often constrained by strong assumptions, limiting their ability to capture complex real-world event dynamics. To

temporal point processes neural tpps predictive accuracy event sequence datasets architecture components

发现论文，激发创造

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

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

基于预设增强的时间点过程的流事件序列

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

连续时间域中的时间事件集预测深度表示学习

使用基于时空点过程的方法，通过加入上下文事件嵌入、时间信息和领域特征来建立模型，解决了连续时间域中预测事件集强度的问题，并通过大量实验表明，该方法在预测指标和计算效率上优于现有方法。

Sep, 2023

使用三角形映射的快速灵活时空点过程

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

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

关于时间点过程中循环神经网络的非渐近理论

本文通过建立 RNN-TPPs 在多个已知 TPP 设置下的超额风险界限，证明了不超过四层的 RNN-TPP 可以实现逐渐减小的泛化误差，技术贡献包括多层 RNN 类的复杂性刻画，逼近动态事件强度函数的 $ anh$ 神经网络构建以及缓解无界事件序列问题的截断技术，结果填补了 TPP 应用和神经网络理论之间的差距。

Jun, 2024

EasyTPP: 朝着开放基准测试的时间点过程

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

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

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