连续时间中的神经标记时间点过程为连续时间事件数据的统计参数模型工具箱增添了有价值的内容。本文提出了一个通用框架，用于建模连续时间中的集合值数据，并开发了适用于任何基于强调的递归神经点过程模型的推理方法。在四个真实世界数据集上进行系统实验，通过对基于集合的序列进行重要性抽样，证明了效率大幅提升。通过展示如何使用该框架来执行不涉及一步预测的似然度进行模型选择。

Dec, 2023

提出了扩展随机块模型的连续时间循环交互事件模型，其中每个人都属于潜在群体，两个人之间的交互遵循由个人潜在群体驱动的条件不均匀泊松过程，证明了该模型的可识别性，其估计是基于半参数变分期望最大化算法进行的，该方法的两个版本使用非参数直方图方法 (自适应选择分区大小) 或核强度估计器，潜在群体的数量可以通过集成分类似然标准进行选择，最后，我们演示了我们的过程在合成实验上的性能，并分析了两个数据集以说明我们的方法的效用并评论了竞争方法。

Dec, 2015

本文提出了一种基于无强度的点过程建模方法，使用 Wasserstein 距离训练模型，以解决目前采用极大似然方法训练存在的多峰分布问题，在各种合成和真实数据上的实验证明了该方法的优越性。

May, 2017

本文讲述了一种基于顺序行列式点过程（SeqDPP）的有监督视频摘要方法，该方法通过概率分布建模多样性。我们提出了一种大边际算法，以解决 SeqDPP 中的曝光偏差问题。同时，我们还设计了一种新的概率分布，当它被集成到 SeqDPP 中时，产生的模型可以接受用户输入期望的摘要长度。此外，我们还扩展了一个视频摘要数据集，并对该数据集进行了广泛的实验比较。

Jul, 2018

该研究介绍了监督期望最大化框架（SEMF），这是一个多功能且不涉及具体模型的框架，可以为具有完整或缺失数据的数据集生成预测区间。SEMF 将经典的无监督学习中使用的期望最大化（EM）算法扩展到监督环境中，实现了提取不确定性估计的潜在表示。该框架通过在 11 个表格数据集上进行广泛的实证评估，表明其具有稳健性，在某些情况下可以获得比传统分位回归方法更窄的规范化预测区间和更高的覆盖率。此外，SEMF 与现有的机器学习算法（如梯度提升树和神经网络等）无缝集成，展示了其在实际应用中的有用性。实验结果突出了 SEMF 在不确定性量化方面推动最新技术的潜力。

May, 2024

这篇研究论文提出了一种基于深度学习和极值理论的预测框架，通过混合分布模型和自动编码器生成器提取时间序列数据的特征，并预测极端事件的分布模型，证明了该方法在多个实际降雨数据集上的有效性。

Oct, 2023

使用自回归模型回答超出单步预测的复杂概率查询，包括未来事件的时机和特定事件在另一事件发生之前的可能性。通过开发一类宽泛的、高效的近似技术，对顺序模型中的边缘化进行建模。这些技术仅依赖于对预先训练的自回归模型的下一步条件分布的访问和采样，包括传统参数模型和最近的神经自回归模型。针对离散顺序模型、标记的时间点过程和随机跳跃过程，提出了具体的方法，每个方法都适用于一类明确定义的信息丰富、长程概率查询。

Mar, 2024

研究提出了一个名为 SequenceMatch 的方法，将序列生成问题转化成了一种模仿学习问题，并采用回溯策略和特定的训练目标以优化文本生成过程中的错误，经实验证明，该方法在语言模型的文本生成任务中比 MLE 更加优秀。

Jun, 2023

提出了一种半监督生成模型 SeGMA，它是在典型的 Wasserstein 自编码器框架中实现的，可以有效地进行优化，并在标准基准数据集上达到至少与其半监督前身同样好的生成性能。

Jun, 2019

使用混合高斯过程和学习的谱核函数的潜变量模型方法来处理具有任意时间序列长度的噪声时间序列数据，使得在多个潜在随机过程上学习多个动力模型成为可能。

Feb, 2024