RoTHP:基于旋转位置嵌入的变压器霍克斯过程
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
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。
Apr, 2024
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
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 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
提出了一种利用 self-attention 机制进行 intensity function 拟合的 self-attentive Hawkes process 方法,相较于传统的统计方法和深度循环神经网络,该方法能更好地识别时间事件之间的复杂依赖关系,并且能够捕捉更长的历史信息,可以针对多变量事件序列进行有效的复杂模式预测。
Jul, 2019
本文通过建立 RNN-TPPs 在多个已知 TPP 设置下的超额风险界限,证明了不超过四层的 RNN-TPP 可以实现逐渐减小的泛化误差,技术贡献包括多层 RNN 类的复杂性刻画,逼近动态事件强度函数的 $ anh$ 神经网络构建以及缓解无界事件序列问题的截断技术,结果填补了 TPP 应用和神经网络理论之间的差距。
Jun, 2024
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
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