神经符号时序点过程

Jun, 2024

Neuro-Symbolic Temporal Point Processes

Yang Yang, Chao Yang, Boyang Li, Yinghao Fu, Shuang Li

TL;DR我们引入了一个神经符号规则归纳框架，该框架通过时序点过程模型高效地发现一个紧凑的时间逻辑规则集合来解释感兴趣的不规则事件。我们采用了矢量嵌入来表示谓词和逻辑规则，并通过梯度下降训练逻辑规则嵌入以获得谓词嵌入的最适合的组合表示。为了使规则学习过程更高效和灵活，我们采用了顺序覆盖算法，该算法逐步将规则添加到模型中，并移除已解释的事件序列，直到所有事件序列都被覆盖。在合成和真实数据集中，我们的方法表现出显著的效率和准确性，以较大的优势超过了现有技术基准的效率。

Abstract

Our goal is to $\textit{efficiently}$ discover a compact set of temporal logic rules to explain irregular events of interest. We introduce a neural-symbolic rule induction framework within the temporal point process model. The negative log-likelihood is the loss that guides the learnin

temporal logic rules neural-symbolic rule induction vector embeddings sequential covering algorithm efficiency

发现论文，激发创造

强化逻辑规则学习用于暂态点过程

我们提出了一个能够逐步扩展解释性时间逻辑规则集来解释时间事件发生的框架。利用时间点过程建模和学习框架，规则内容和权重将逐渐优化，直到观察的事件序列的似然性最佳。我们的算法通过在主问题中更新当前规则集的权重，并在子问题中搜索和包含新规则来增加似然性。主问题被定义为凸问题，使用连续优化方法相对容易求解，而子问题需要在庞大的组合规则谓词和关系空间中进行搜索。为了克服这一挑战，我们提出了一种神经搜索策略，通过学习生成新规则内容的一系列动作。该策略参数将使用强化学习框架进行端到端训练，其中奖励信号可以通过评估子问题目标来高效查询。训练好的策略可以以可控的方式生成新规则。我们在合成和真实的医疗数据集上评估了我们的方法，取得了有前景的结果。

Aug, 2023

通过时间的神经 Datalog：通过逻辑规范实现知情的时间建模

利用时态推理数据库跟踪结构化事实来探索过去事件如何影响事件的现有概率，并通过神经概率模型来提高预测准确率。

Jun, 2020

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

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

揭示潜在因果规则：一种异常事件解释的时态点过程方法

提出了一种自动化方法，使用时间点过程建模来发现规则并解释事件的发生，通过采用期望最大算法进行规则和参数更新，最终优化规则集合，展示了在合成和真实医疗数据集中准确性能表现。

Feb, 2024

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

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

基于神经网络的时间点过程的元学习

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。

Jan, 2024

从嘈杂时序数据中学习时间规则

通过神经时序逻辑编程（Neural Temporal Logic Programming）学习原子事件之间的隐式时间关系并推导符合逻辑规则的复合事件标签，进而发现存在于嘈杂时间数据设定中的事件关系，通过对视频和医疗数据集的评估，证明其对规则发现的卓越表现。

Feb, 2022