Oct, 2023

基于得分匹配的神经标记时空点过程的伪似然估计和不确定性量化

PDF
TL;DR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。
发现论文，激发创造
  • 时空扩散点过程

    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

  • 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

  • 足球比赛事件分析的基于 Transformer 的神经标记时空点过程模型

    本篇研究提出了基于神经时间点过程 (NTPP) 框架的基于 Transformer 的标记空间时间点过程 (NMSTPP) 模型，并提出了综合利用球权的度量方法（HPUS），其中，该模型在足球事件数据的预测表现优于基线模型，而 HPUS 得分可以更全面地评估足球比赛中球权的利用率。

    Feb, 2023

  • 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

  • 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

  • SMURF-THP：基于得分匹配的变压器霍克进程不确定性量化

    我们提出了 SMURF-THP，一种基于得分的学习方法，用于学习 Transformer Hawkes 过程并量化预测不确定性。通过学习到的得分函数，我们可以从预测分布中采样事件的到达时间，从而计算生成样本的置信区间，实现了对不确定性的量化。在事件类型预测和到达时间不确定性量化的实验中，SMURF-THP 表现优于现有的基于似然的方法，同时展示了可比较的预测准确性。

    Oct, 2023

  • 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

  • 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

  • 深度混合点过程：利用丰富的上下文信息进行时空事件预测

    本研究提出了基于深度混合点过程（DMPP）的点过程模型，用于利用丰富的上下文信息来预测时空事件。模型的密度函数被设计为核函数的混合，其中混合权重由深度神经网络建模，并且将复杂非线性上下文影响到事件发生的自动学习成为可能。与现有方法相比，DMPP 在真实世界数据集上具有更好的预测性能。

    Jun, 2019

  • 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