该研究提出了一种新的基于扩散模型的参数化框架，用于学习复杂的时空联合分布，它打破了现有解决方案对时空依赖关系的限制，并实现了灵活准确的预测。
May, 2023
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
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。
Aug, 2023
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
本文提出了一种变分神经时间点过程（VNTPP），通过引入推理和生成网络，训练深度神经网络中的潜变量分布以应对时间点过程的随机特性，并利用潜变量分布计算强度函数，从而更准确地预测事件类型和到达时间，实验证明该模型可以广义地表示各种事件类型，并在合成和实际数据集上表现优异。
Feb, 2022
通过 Score MAtching-based pSeudolikeliHood 估计器来学习具有不确定性量化能力的标记 Spatio-temporal point processes (STPPs)，并在事件预测和不确定性量化方面展示其卓越性能。
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
本文提出了一种新型的 Deep Structural Point Process（DSPP）来学习时间交互网络。通过将拓扑结构和长程依赖结构结合，设计拓扑融合编解码器和关注偏移编解码器，以提高模型表达能力，在项预测和时间预测任务中均实现了显著改进。
Jul, 2021
本文提出利用神经常微分方程作为计算方法的新型参数化方法来处理时空点过程，使得离散事件能够在连续时间和空间上进行灵活且精确的建模，本方法包括连续时间神经网络、Jump 以及 Attentive Continuous-time Normalizing Flows 等两种新型神经网络结构，能够处理在时间和空间领域内的复杂分布，并能够非常巧妙地对事件历史进行建模，我们在地震学、流行病学、城市移动性以及神经科学等领域的数据集上验证了我们的模型。
Nov, 2020
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