Aug, 2023

基于积分的标记时态点过程的无强度学习

PDF
TL;DR通过 IFIB（无强度积分型进程）提出了一种在离散事件中高度准确建模条件联合概率密度 $p^*(m,t)$ 的解决方案，其中事件标记可以是分类的或连续多维空间的数值，该方法极大地简化了过程以满足数学约束条件，并通过在真实数据和合成数据集上展示出的优越实验结果进行验证。
temporal point processesconditional joint pdfintensity functionsdiscrete eventsmulti-dimensional continuous space
发现论文，激发创造
  • 无强度学习时空点过程

    研究如何通过直接建模条件插值时间的条件分布来克服强制使参数化强度函数的局限性，并提出了一个简单的混合模型，其匹配了基于流的模型的灵活性，但也允许闭式采样和计算矩，该模型在标准预测任务中表现出最先进的性能，适用于学习序列嵌入和填补缺失数据等新领域。

    Sep, 2019

  • 讲义：时间点过程与条件强度函数

    这篇论文介绍了时间线上点过程的概念和应用，重点是通过条件强度函数定义这些过程，讨论了基于条件强度函数建模的方法和相关推断、模拟和残差分析。

    Jun, 2018

  • 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

  • 基于累积分布函数的一般时间点过程

    通过结合神经网络和时点过程（TPPs）的 Cumulative Distribution Function（CDF）方法，本研究提出了一种名为 CuFun 的模型，具有较高的适应性和精确性，能够处理复杂的时间数据并捕捉长期的时间模式。

    Feb, 2024

  • 利用时间点过程进行长期预测

    本文提出 DualTPP 模型来改善 目前设计选择所带来的远期事件预测效果差的限制，该模型包括两个组件：一个无强度的 MTPP 模型（捕获未来事件的微观或粒度级信号），以及一个从不同的双重视角模拟聚合事件，因此包含宏观事件动态。通过一种新的推理框架，共同关注这两种模型，可以高效地预测长期事件，实验表明该模型比现有 MTPP 方法在长期预测方面表现更好。

    Jan, 2021

  • 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

  • 基于全神经网络的一般时间点过程模型

    本研究提出了基于递归神经网络 (RNN) 的新型时间点过程模型，能够以一种更为灵活的方式表示强度函数的时间变化，并能够精确地评估对数似然函数，使其能在综合和真实数据集上实现优越性能。

    May, 2019

  • 神经标记时间点过程的非分布式一致性联合预测区域

    通过符合预测的框架，本文开发了一种更可靠的方法来量化神经 TPP 模型中的不确定性，其中主要目标是生成到达时间和标记的无分布联合预测区域，并提供了有限样本的边际覆盖保证。

    Jan, 2024

  • 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

  • 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