ICLRJun, 2024

基于神经常微分方程的脱耦合标记时态点过程

PDF
TL;DR一个名为 Marked Temporal Point Process 的随机过程研究了异步时间事件的复杂动态，利用深度神经网络和神经常微分方程处理数据，提供了对事件影响和整体动态的解耦成果以及对实际应用的分析。
marked temporal point processstochastic processdeep neural networksdecoupled mtpp frameworkneural ordinary differential equations
发现论文，激发创造
  • 元时点过程

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

    本文提出利用神经常微分方程作为计算方法的新型参数化方法来处理时空点过程，使得离散事件能够在连续时间和空间上进行灵活且精确的建模，本方法包括连续时间神经网络、Jump 以及 Attentive Continuous-time Normalizing Flows 等两种新型神经网络结构，能够处理在时间和空间领域内的复杂分布，并能够非常巧妙地对事件历史进行建模，我们在地震学、流行病学、城市移动性以及神经科学等领域的数据集上验证了我们的模型。

    Nov, 2020

  • EasyTPP: 朝着开放基准测试的时间点过程

    为了创建一个中央基准测试以评估时间点过程模型，本文介绍了 EasyTPP，它具有多个机器学习库的通用框架，提供了八个高度引用的神经时间点过程模型的全面实现，以及常用的评估指标和数据集。通过建立此基准测试，我们将有助于推动本领域的可重复研究，从而加速研究进展并产生更重大的现实影响。

    Jul, 2023