Dec, 2023

连续时间下集合序列的概率建模

PDF
TL;DR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。
neural marked temporal point processescontinuous-time event datamodeling set-valued datainference methodsimportance sampling methods
发现论文，激发创造
  • 事件序列的概述马尔可夫模型

    本文提出了一种用于处理事件序列的概率模型 - 总结马尔可夫模型，通过选择合适的汇总功能函数，该模型的事件类型的发生概率仅依赖于其历史发生的事件类型的汇总，针对文本类数据进行了模型的构建和优化，通过实验检验模型的性能和发现能力。

    May, 2022

  • 整数值时间序列数据的神经似然近似

    使用因果卷积构建神经似然逼近方法，针对整数值时间序列数据进行参数推断，以达到在当前方法难以处理的情况下准确逼近真实后验概率并实现显著的计算速度提升。

    Oct, 2023

  • 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

  • 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

  • 利用时序感知神经序列模型进行系统辨识

    本文介绍了一种基于时间的递归神经网络扩展模型，使其适用于不均匀采样的连续变量观测数据，并展示了该模型在两种工业输入 / 输出过程的样本中的有效性。

    Nov, 2019

  • 使用可学习哈希的神经时变点过程检索连续时间事件序列

    通过探索 NeuroSeqRet 框架，本研究提出了一个具有多个改进的大规模时间序列检索系统，用于解决复杂的连续时间事件序列的检索问题，并将其应用于预测建模和相关任务中，展示了较大的准确性提升以及哈希机制的有效性。

    Jul, 2023

  • 学习时间点过程用于连续时间事件序列的高效检索

    我们提出了 NEUROSEQRET，它可以学习检索和排名相关连续时间事件序列的集合，以解决连续时间事件序列的检索问题，并使用 MTPP 引导神经相关模型，以及使用二元序列嵌入的优化框架来进行哈希，从而获得显着的速度优化。

    Feb, 2022

  • 连续时间事件流中的丢失事件插补

    本文提出了一种基于粒子平滑的方法，通过使用一种基于双向连续时间（LSTM）的可训练提议分布来填补残缺的序列，从而推断出遗漏的事件序列，该方法在多个合成和真实领域实验中表现出色，在推断地面真实未观察到的事件方面十分有效。

    May, 2019

  • 通过循环神经网络建模点过程强度函数

    本文介绍了使用基于递归神经网络的点过程模型来处理异步时间戳事件生成的方法，其中包括背景模型和历史影响模型，模型以端对端的方式进行训练，并应用于使用全球银行的 1000 多台 ATM 的日志数据的预测性维护问题。

    May, 2017

  • 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