- 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。
- Learn2Extend: 通过混合模型保留序列的统计特性来扩展序列
该论文研究了使用机器学习扩展有限实数序列的挑战，通过应用深度学习方法提出了一个自回归序列扩展混合模型 (SEMM)，并通过比较实验和案例研究证明该模型在保留统计特性的序列扩展中优于传统神经网络架构。
- 利用点过程进行 RTB 建模
我们提出了一个通用的随机框架，用于模拟实时竞价生态系统中的重复拍卖，该框架利用点过程进行建模。该框架的灵活性允许各种拍卖场景，包括为玩家提供的信息配置，确定拍卖获胜者以及量化每次拍卖所获得的效用。我们提出了有关如何将该过程的形式化近似为泊松 - 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 - ICMLSTRODE：随机边界常微分方程
本文提出了一种概率微分方程 (STRODE)，它可以在不需要任何时间注释的情况下，同时学习时间序列数据的时间和动态。该方法成功地推断了时间序列数据的事件时间，并在合成和实际数据集上实现了与现有技术相当或更好的性能表现。
- 学习普通微分方程的神经事件函数
将神经常微分方程 (Neural ODE) 扩展到使用由神经事件函数表示的隐式终止标准来建模离散和瞬时连续时间系统的改变，对切合动态系统和多体系统中的碰撞建模并提出基于模拟的点过程训练方法。
- ICML可扩展的置换不变密度归一化流
提出了定义置换等变性转化的替代方法以解决连续归一化流族的重要问题，将点过程和一般集合建模示例应用于该方法中，以此来改进投向方案的性能和最终表现。
- 讲义：时间点过程与条件强度函数
这篇论文介绍了时间线上点过程的概念和应用，重点是通过条件强度函数定义这些过程，讨论了基于条件强度函数建模的方法和相关推断、模拟和残差分析。
- 社交媒体事件的 Hawkes 过程教程
本章介绍了点过程、特别是霍克斯过程，用于对连续时间上的离散、相互依赖的事件进行建模。我们介绍了霍克斯过程及其事件强度函数、事件模拟和参数估计方案，并描述了一个基于社交媒体数据的实际例子。我们提出了内存核的设计方法，以及如何估计参数和预测流行 - 从短双重截断事件序列学习霍克斯过程
提出一种基于数据合成的方法，通过对潜在候选项进行前后事件预测和拼接来综合短双重截断事件（SDC）序列，进而应用于 Hawkes 过程的数量异步事件序列分析问题的研究。实验结果表明该数据合成方法可用于改善固定和时间变化的 Hawkes 过程的 - 具有 Wasserstein 距离的分布鲁棒随机优化
本文对于分布鲁棒随机优化问题提出了一种新方法：使用 Wasserstein 距离来确定最坏情况下的期望，并通过拟合最优对偶解得到最坏分布，这一方法可以用于控制和估计点过程的强对偶结果。
- 学习 Hawkes 过程中的格兰杰因果关系
本研究提出一种用于 Hawkes 进程的 Granger 因果关系学习的有效方法，可通过基础函数的系数组稀疏性恢复 Granger 因果关系图，同时对事件类型的聚类结构具有灵活性，并在合成数据和实际数据上得到验证。
- 广义标记多伯努利模型的虚概率和柯西 - 施瓦茨散度
本文提出一种基于 GLMB 的动态贝叶斯推理方法，通过计算 void 概率和 Cauchy-Schwarz 距离来度量模型相似性，为本问题提供一种可行的解决方案。
- 离散点过程的快速混合
本文研究用于离散点过程的快速混合马尔可夫链蒙特卡罗采样的系统设计机制，探究了设置条件和误差限制的方法，提出了如何使用 Hessian 量来控制分解信息量，指出如果使用自然的相关性衰减概念，可以使用快速混合的 MCMC 方法导出较小的误差上限