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

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

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

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

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

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

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

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

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

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