Jan, 2024

基于神经网络的时间点过程的元学习

PDF
TL;DR提出了一种用于周期性感知预测短序列未来事件的元学习方法，通过点过程建模和时间周期模式考虑来提高事件预测性能。
point processesmeta-learningevent predictionshort sequencestemporal periodic patterns
发现论文，激发创造
  • 动态潜在图引导的神经时态点过程

    提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性，相较于现有先进的神经点过程。

    Dec, 2023

  • 变分神经时序点过程

    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

  • 通过强化学习学习时态点过程

    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

  • 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

  • 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

  • ProActive: 用于活动序列的自我关注时序点过程流

    ProActive 是一种神经标记的时间点过程 (MTPP) 框架，用于对活动序列中行动的连续时间分布进行建模，同时解决了下一步行动预测，序列目标预测和端到端序列生成等高影响问题。使用自关注模块进行建模，以及附带较少的行动数量来预测序列目标。在三个活动识别数据集上的广泛实验表明，ProActive 在行动和目标预测方面的准确性显着提高，并首次应用了端到端行动序列生成。

    Jun, 2022

  • 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

  • 神经霍克斯过程：一种神经自调节的多元点过程

    使用神经网络中的 LSTM 模型通过多维点过程建模离散事件流，可实现事件预测，包括缺失数据情况下的预测。

    Dec, 2016

  • 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

  • 非自回归基于扩散的时间点过程用于连续时间长期事件预测

    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