Feb, 2024

基于累积分布函数的一般时间点过程

PDF
TL;DR通过结合神经网络和时点过程（TPPs）的 Cumulative Distribution Function（CDF）方法，本研究提出了一种名为 CuFun 的模型，具有较高的适应性和精确性，能够处理复杂的时间数据并捕捉长期的时间模式。
temporal point processesneural networkscufun modelevent sequencesfuture event prediction
发现论文，激发创造
  • 事件序列预测的交互扩散过程

    我们提出了一种使用扩散生成模型的新方法，该模型能够预测基于历史事件序列的多步预测，并学习多个事件类型的类型和时间间隔的联合概率分布，以实现对长时间跨度的预测。

    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

  • 无强度卷积时空点过程：融合局部和全局事件上下文

    利用连续时间卷积事件编码器和 RNN 集成局部和全局上下文的 TPP 建模方法在事件预测方面具有较高的准确性，这是第一个将卷积神经网络应用于 TPP 建模的工作。

    Jun, 2023

  • 连续时间域中的时间事件集预测深度表示学习

    使用基于时空点过程的方法，通过加入上下文事件嵌入、时间信息和领域特征来建立模型，解决了连续时间域中预测事件集强度的问题，并通过大量实验表明，该方法在预测指标和计算效率上优于现有方法。

    Sep, 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

  • 基于预设增强的时间点过程的流事件序列

    在实时场景下，持续监测神经时序点过程（TPP）以学习流式事件序列是一个重要且尚未深入研究的问题。本文提出了一种简单而有效的框架 PromptTPP 来解决这一挑战，通过将基础 TPP 与连续时间检索提示池集成，使得模型能够在不缓存过去的例子或任务特定属性的情况下连续学习事件流。针对建模事件流的实验性设置，PromptTPP 在三个真实用户行为数据集上持续达到最先进的性能。

    Oct, 2023

  • 使用三角形映射的快速灵活时空点过程

    TriTPP 基于 normalizing flows 设计出的新的无序 TPP 模型，具有与基于 RNN 的方法相同的灵活性，但允许快速采样，可用于离散状态系统中的变分推断。在合成和现实世界数据集上展示了所提出框架的优点。

    Jun, 2020

  • 基于神经点过程的图上社区事件预测

    本文提出一种将图神经网络和时间点过程结合的新模型，用于连续时间动态图上的事件预测，并将事件预测问题分解为三个条件概率建模，实现了在大规模图上的高效预测，实验结果表明该模型在准确性和训练效率方面均具有优越性。

    May, 2022

  • 利用时间点过程进行长期预测

    本文提出 DualTPP 模型来改善 目前设计选择所带来的远期事件预测效果差的限制，该模型包括两个组件：一个无强度的 MTPP 模型（捕获未来事件的微观或粒度级信号），以及一个从不同的双重视角模拟聚合事件，因此包含宏观事件动态。通过一种新的推理框架，共同关注这两种模型，可以高效地预测长期事件，实验表明该模型比现有 MTPP 方法在长期预测方面表现更好。

    Jan, 2021

  • 基于累积危险函数的高效多变量时间点过程学习

    本文采用神经网络模型一个灵活但具有明确定义的累积风险函数，从而降低参数复杂性，并在六个数据集上的实验结果表明，该模型在数据拟合和事件预测任务中取得了最先进的性能，同时参数和内存使用量显著减少。

    Apr, 2024