KDDJul, 2023

时间和动作的织锦：使用时间点过程流模型人类活动序列

PDF
TL;DRProActive 是一个神经标记的时间点过程（MTPP）框架，用于对活动序列中的动作进行连续时间建模，同时解决了下一个动作预测、序列目标预测和端到端序列生成三个高影响问题。
temporal sequencesneural marked temporal point processcontinuous-time distributionnext action predictionend-to-end sequence generation
发现论文，激发创造
  • ProActive: 用于活动序列的自我关注时序点过程流

    ProActive 是一种神经标记的时间点过程 (MTPP) 框架，用于对活动序列中行动的连续时间分布进行建模，同时解决了下一步行动预测，序列目标预测和端到端序列生成等高影响问题。使用自关注模块进行建模，以及附带较少的行动数量来预测序列目标。在三个活动识别数据集上的广泛实验表明，ProActive 在行动和目标预测方面的准确性显着提高，并首次应用了端到端行动序列生成。

    Jun, 2022

  • 基于神经网络的时间点过程的元学习

    提出了一种用于周期性感知预测短序列未来事件的元学习方法，通过点过程建模和时间周期模式考虑来提高事件预测性能。

    Jan, 2024

  • 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

  • 建模相互依存和周期性的真实世界动作序列

    本文开发了一种基于个性化、多变量时间点过程的新型统计模型，用于对移动健康应用中的人类行为建模，以得出未来用户行为及其时机的准确预测。

    Feb, 2018

  • TTPP: 时间变形器及渐进式预测，用于高效行动预测

    本文提出一个名为 TTPP 的框架，使用 Transformer 风格的架构，通过汇总观察到的特征，并利用轻量的网络逐步预测未来的特征和行动，来解决当前流行的基于循环神经网络的视频行动预测模型中无法有效捕获长期信息的缺点，在三个数据集上的广泛结果表明，TTPP 不仅胜过现有技术方法，而且更有效。

    Mar, 2020

  • 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

  • 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

  • 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

    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。

    Jul, 2023

  • 高时间分辨率行动识别序列建模

    本文介绍了一个新数据集 StrokeRehab，旨在解决机器学习中的一个重要问题，即从视频和运动数据中识别出细微的运动，提出了一种以语音识别技术为灵感的基于序列到序列模型的高分辨率动作识别方法，并在 StrokeRehab 数据集以及标准测试数据集 50Salads，Breakfast 和 Jigsaws 上取得了当前最优的结果。

    Nov, 2021

  • 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