- 学习因果事件连结序列
该研究探讨了一些方法，用于学习事件序列中的因果关系，包括循环和非循环人工神经网络（ANNs）以及基于直方图的算法。其中，注意力循环人工神经网络表现最佳，而直方图算法明显优于所有人工神经网络。
- 基于累积分布函数的一般时间点过程
通过结合神经网络和时点过程（TPPs）的 Cumulative Distribution Function（CDF）方法，本研究提出了一种名为 CuFun 的模型，具有较高的适应性和精确性，能够处理复杂的时间数据并捕捉长期的时间模式。
- 事件序列的自我监督学习：生成建模和对比学习的比较研究与混合方法
该研究探讨了自监督学习技术以获得事件序列的表示，进行了生成方法和对比方法的综合研究，并介绍了一种将生成和对比嵌入对齐的新方法，证明其在各种任务上至少达到现有方法的水平，并且在数据集上一直优于有监督方法。
- SeqNAS：面向事件序列分类的神经体系结构搜索
我们的研究采用了一种新的神经架构搜索（NAS）算法 SeqNAS，针对事件序列分类问题，通过引入一个简单但表达能力强的搜索空间，利用常用的建模模块，如多头自注意力、卷积和循环单元，结合序贝叶斯优化算法以及先前的模型训练，我们的方法在超过了现 - 非自回归基于扩散的时间点过程用于连续时间长期事件预测
我们提出了一种基于扩散的非自回归时间点过程模型，用于连续时间的长期事件预测。该模型通过发展一个双向映射来在事件序列上执行扩散过程，并设计了一种新的降噪网络来捕捉顺序和上下文特征，从而在长期事件预测中取得了优越的性能。
- TNPAR: 基于拓扑神经泊松自回归模型的事件序列马尔科夫网络格兰杰因果结构学习
本文提出了一个基于拓扑神经 Poisson 自回归模型、使用 amortized 推理算法解决非独立同分布事件序列的 Granger 因果关系推导问题的端到端框架。
- 利用生活事件序列预测人的生活
利用机器学习等技术，将人类生活事件序列嵌入到一个单一的向量空间中，以预测包括早亡和人格特质在内的多种结果，从而为个性化干预提供了潜在机制。
- IJCAI用结构霍克斯过程从离散时间事件序列中学习因果结构
本文提出了 Structure Hawkes Processes (SHPs) 用于从离散时间事件序列中学习事件类型之间的因果结构，利用瞬时效应解决因果关系同步发生的识别问题，并通过理论和实验结果验证了该方法的有效性。
- HYPRO：一种混合归一化概率模型用于事件序列的长期预测
我们提出了一种名为 HYPRO 的混合归一化概率模型，通过学习自编码和能量函数来进行长时间序列预测，并通过多种现实数据集的实验表明，在对未来事件进行长时间预测方面，我们的模型具有显著优势。
- 利用循环图网络学习点过程
利用点过程框架，我们提出了一种新颖的循环图网络方法来预测离散标记事件序列，其中图神经网络使用 LSTM 来合并过去的信息，而图注意力网络引入了强大的归纳偏置来捕捉来自不同事件类型的交互。实验结果表明，与基于 Transformers 的现有 - IJCAI事件序列的概述马尔可夫模型
本文提出了一种用于处理事件序列的概率模型 - 总结马尔可夫模型，通过选择合适的汇总功能函数，该模型的事件类型的发生概率仅依赖于其历史发生的事件类型的汇总，针对文本类数据进行了模型的构建和优化，通过实验检验模型的性能和发现能力。
- 使用归因方法从事件序列中学习 Granger 因果关系
CAUSE 是一个新颖的框架，通过拟合神经点过程来隐式捕捉事件互依存关系，然后使用公理归因方法从过程中提取格兰杰因果统计量，以解决学习异步、相互依赖、多类型事件序列的格兰杰因果关系的问题。在多个数据集上，CAUSE 表现优于一系列最先进的方 - ACL使用句子级 LSTM 语言模型进行脚本推理
该研究比较了使用 NLP 流程产生的结构化动词和论点事件和最近的基于递归神经网络的模型，发现后者在预测文档中缺失事件方面与前者大致相当。
- 时间依赖网络中的时间模式
介绍了时间网络的构成和时间次结构的概念，提出了一种基于颜色有向图的识别时间次结构的有效算法，并在大型移动电话网络上分析了其统计规律。