Apr, 2024

多关系递归超图中的交互事件预测：一种时间点过程方法

PDF
TL;DR使用动态图表示学习框架预测多关系递归超图中的高阶交互事件，通过学习动态节点表示和超边链接预测的编码器和解码器来捕捉涉及多个实体的复杂关系，从而优于以前的交互预测方法。
evolving graphmulti-relational recursive hypergraphsdynamic graph representation learningrelational recursive hyperedge temporal point processinteraction forecasting
发现论文，激发创造
  • 神经时序点过程用于预测高阶和方向交互

    本论文提出了一种基于深度神经网络的模型，名为 “有向超节点时间点过程 (Directed HyperNode Temporal Point Process)”，用于预测高阶有向交互作用，具有很高的效率并经过了大量实证研究。

    Jan, 2023

  • 通过对比关系推理提升事件序列建模

    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

  • 模拟电子病历的可解释神经时空点过程建模

    基于 word2vec 和 Hawkes 过程，提出了一个可解释的事件序列建模框架 inf2vec，其中事件影响直接参数化并可进行端到端学习，实验证明了我们模型在事件预测和类型影响学习方面的优越性。

    Apr, 2024

  • 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

  • 基于图正则化的事件传播序列点过程模型

    本文提出了一种图正则化点过程模型来建模事件传播，通过对节点嵌入的上下文化将时间关注度模型的励興和时间衰减因子构建到当前事件的过程中， 还通过应用图正则化方法提供了模型可解释性.

    Nov, 2022

  • 深度结构点过程用于学习时空交互网络

    本文提出了一种新型的 Deep Structural Point Process（DSPP）来学习时间交互网络。通过将拓扑结构和长程依赖结构结合，设计拓扑融合编解码器和关注偏移编解码器，以提高模型表达能力，在项预测和时间预测任务中均实现了显著改进。

    Jul, 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

  • 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

  • Transformer 霍克斯过程

    提出了一种基于 Transformer 和 Hawkes 过程的模型（THP），能够更好地捕捉事件序列数据中的短期和长期时间依赖关系，并能够通过集成结构性知识来改善预测表现。

    Feb, 2020