动态潜在图引导的神经时态点过程
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
我们提出了一种基于扩散的非自回归时间点过程模型,用于连续时间的长期事件预测。该模型通过发展一个双向映射来在事件序列上执行扩散过程,并设计了一种新的降噪网络来捕捉顺序和上下文特征,从而在长期事件预测中取得了优越的性能。
Nov, 2023
本研究提出了基于图点过程的方法来预测未来的事件,并利用图神经网络模型来表示可学习核,实现了对事件之间的关系结构的揭示,该方法在预测未来事件和展示数据关系结构方面优于现有方法。
Jun, 2023
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
这篇论文提出了一种基于增强学习方法的灵活时空点过程模型的算法,该算法可以生成满足真实数据分布的样本来评估模型质量,并采用逐步改进的策略参数化模型。模拟结果表明其在合成和真实数据中均表现良好。
Nov, 2018
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
本研究提出了一种基于被标记的时间点过程的新事件生成模型,其通过条件生成器以及多维标记来捕捉点过程的分布,从而在多维事件空间中实现了出色的学习效率和样本生成性能的表现,并且通过在数值实验中对比其他最先进基线表明其性能优于其他方法。
May, 2023