AAAIJul, 2023

使用可学习哈希的神经时变点过程检索连续时间事件序列

PDF
TL;DR通过探索 NeuroSeqRet 框架，本研究提出了一个具有多个改进的大规模时间序列检索系统，用于解决复杂的连续时间事件序列的检索问题，并将其应用于预测建模和相关任务中，展示了较大的准确性提升以及哈希机制的有效性。
temporal sequencescontinuous time-event sequence(s) or ctes(s)predictive modeling using marked temporal point processes (mtpp)large-scale retrieval of temporal sequencesneuroseqret framework
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 通过对比关系推理提升事件序列建模

    我们提出了一种新颖的方法，利用神经关系推断来学习关系图，以从观测数据中推断事件相互作用，并同时学习动态模式。我们的方法在变分推断框架下对事件相互作用进行推理，并利用基于强度的学习来搜索原型路径以对比关系约束。在三个真实世界数据集上的大量实验证明了我们的模型在事件序列建模任务中捕捉事件相互作用的有效性。

    Sep, 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

  • 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

  • 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

  • 连续时间下集合序列的概率建模

    连续时间中的神经标记时间点过程为连续时间事件数据的统计参数模型工具箱增添了有价值的内容。本文提出了一个通用框架，用于建模连续时间中的集合值数据，并开发了适用于任何基于强调的递归神经点过程模型的推理方法。在四个真实世界数据集上进行系统实验，通过对基于集合的序列进行重要性抽样，证明了效率大幅提升。通过展示如何使用该框架来执行不涉及一步预测的似然度进行模型选择。

    Dec, 2023