- 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。
- XTSFormer:跨时空尺度变换器用于不规则时间事件预测
事件预测是基于历史事件序列预测未来事件的时间和类型,本论文提出了针对非规则时间事件数据的跨时空尺度变换器(XTSFormer),包括新颖的基于特征的周期感知时间位置编码(FCPE)和分层多尺度时间注意机制。在多个真实世界数据集上的广泛实验表 - 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。
- 时间图:基于图的时间推理
提出了一种名为 TimeGraphs 的新方法,将动态交互以分层的时间图形式建模,通过自监督方法构建多层次事件层次结构,有效地进行非均匀分布的动态推理。在多个数据集上评估 TimeGraphs 的性能,包括足球模拟器、Resistance - 基于得分匹配的神经标记时空点过程的伪似然估计和不确定性量化
通过 Score MAtching-based pSeudolikeliHood 估计器来学习具有不确定性量化能力的标记 Spatio-temporal point processes (STPPs),并在事件预测和不确定性量化方面展示其卓 - 具有延时格兰杰因果性的 Hawkes 过程
我们旨在基于多元 Hawkes 过程明确地建模滞后的 Granger 因果效应。通过模拟滞后参数的后验分布来推断时间滞后,我们进一步研究了一个复杂环境下的模型估计方法,该方法对于事件预测和时间滞后推断的准确性在合成和真实数据上取得了良好的结 - 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。
- 使用语言模型起草事件模式
本研究使用大型语言模型通过自然语言来起草事件模式,之后通过人工技术进行进一步的修订并将事件知识萃取到模式中。通过实验证明,大型语言模型在两个数据集中取得了适当的关键事件回调,并且我们的方法为更轻松地从大型语言模型中提取事件知识提供了可能性。
- GTRL:一种考虑实体组的时态知识图谱表示学习方法
GTRL 是首个将实体分组建模算法融入时序知识图谱表示学习过程中,通过有限层的堆叠,通过实体组内部和组间的自动建模来捕获实体之间的相关性并达到了在事件预测任务上优于目前最优方法 13.44%,9.65%,12.15%和 15.12%的结果。
- 从系统视角看事件预测方法综述:融合不同研究领域
探究事件预测方法,将不同应用领域中散落的方法综合起来,通过分类、综合和评估现有工作,识别开放性挑战,并讨论未来研究方向。
- AAAI逻辑与常识引导的时间知识图谱补全
本文基于一种时间知识图谱,提出了一种同时兼顾事件因果关系和时序性的逻辑和常识指导嵌入模型(LCGE),可充分考虑事件间的同时性和时序性,并且在常识知识的基础上,通过规则引导建立谓词嵌入标准化策略,从而提高了事件预测的准确率,并且具有可解释性 - 基于图增强的 BERT 模型用于事件预测
本研究提出使用 BERT 模型自动构建事件图来预测事件之间的关联,从而提高事件预测的准确性,实验结果表明本方法能够超过现有的基准方法。
- 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 - KDD应用动态霍克斯过程探索扩散过程背后时变社群状态
本文提出了一种名为动态 Hawkes 过程(DHP)的方法,它能够捕捉事件扩散背后的社区状态演化规律,并基于演化规律预测事件的发生。与其他五种采用的事件预测方法相比,DHP 的实验表现更加优异。
- EMNLP视频与语言未来事件预测:下一步可能发生什么?
本文提供名为 VLEP 的视频和语言事件预测数据集,并探讨 AI 模型是否能够学习进行这样的多模态常识性下一个事件预测。研究表明,视频、对话和常识性知识对于此挑战任务很有用,并且与 VLEP 上高人类表现相比,我们的模型提供了一个良好的起点 - MM神奇嵌入及其对齐:多店铺场景下的零样本推断
本文利用嵌入空间跨越网站实现零 shot 推荐的问题,提出了一种机器学习流程来训练嵌入式内容,并用额外的定性见解支持定量发现,证明多商店个性化推荐是可行的,并且用事件预测和自动完成建议测试了共享嵌入式空间,最后创建了一个跨商店的匿名嵌入式数 - 大数据时代的事件预测:系统调查
本文在大数据时代提供了一个系统和全面的事件预测技术、应用和评估的调查,包括已经存在的技术、主要应用和评估方法的综述、开放问题和未 来方向。
- ELG: 一个事件逻辑图
本文提出了一种新型的知识库 - 事件逻辑图,ELG 将揭示真实事件的演化模式和发展逻辑,并对剧本事件预测任务具有有效性。
- WSDM使用进化状态图进行时间序列事件预测
本文提出了一种动态图结构,用于系统性地表示状态节点之间的不断变化的关系,设计了 Evolutionary State Graph Network 模型,该模型可以编码这种动态图结构,实现对时间序列事件的精确预测和可解释性说明。通过五个真实数 - 事件预测的序列到序列学习
本文提出了一种使用双向多层递归神经网络进行序列到序列学习的方法,以预测文本中前一句的事件描述。我们的方法在来自 WikiHow 和 DeScript 两个数据集中的 BLEU 得分方面显着优于先前的研究。由于 BLEU 得分不易解释为事件预