研究了医疗资源分配的效率和定制化医疗的发展,使用 Temporal Point Process(TPP)来建模 EHRs,提出了神经网络参数化的 TPPs,经过对合成 EHRs 和基准数据的评估,表明 TPPs 在 EHRs 上明显优于非 TPP 同行,提出了注意力机制神经 TPP,优于现有模型,符合现实世界的可解释性要求,是临床决策支持系统的重要组成部分。
Jul, 2020
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
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
我们提出了一种新颖的方法,利用神经关系推断来学习关系图,以从观测数据中推断事件相互作用,并同时学习动态模式。我们的方法在变分推断框架下对事件相互作用进行推理,并利用基于强度的学习来搜索原型路径以对比关系约束。在三个真实世界数据集上的大量实验证明了我们的模型在事件序列建模任务中捕捉事件相互作用的有效性。
Sep, 2023
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。
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
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
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。
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
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。