关键词temporal point process
搜索结果 - 12
- 关于时间点过程中循环神经网络的非渐近理论
本文通过建立 RNN-TPPs 在多个已知 TPP 设置下的超额风险界限,证明了不超过四层的 RNN-TPP 可以实现逐渐减小的泛化误差,技术贡献包括多层 RNN 类的复杂性刻画,逼近动态事件强度函数的 $ anh$ 神经网络构建以及缓解无 - 增加与稀疏:用于时间点过程的扩散
在连续时间事件数据的时间点过程(TPP)框架中,自回归神经网络已成为建模连续时间事件数据的标准。为了克服这些限制,我们推导出 ADD-THIN,一种基于整个事件序列的原则性概率去噪扩散模型,它与现有的扩散方法不同,可以自然地处理具有离散和连 - 超越近视:通过整体预测趋势从正面和未标记数据中学习
通过重新采样正数据以确保正例和未标记样本之间的平衡分布,基于时间点过程(TPP)的趋势检测来处理正和未标记数据(PUL)问题。
- 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。
- 通过点过程进行时间因果中介:卫生保健干预的直接和间接效应
本研究提出一个非参数中介-结果模型,假定中介是一种时间点过程,该模型能够在非规则采样的时间序列中估计干预的直接和间接效应,为医疗数据分析提供帮助。
- 预测性音乐转换器
本篇论文提出了一种名为‘anticipation’的方法,可以构建一种可以被控制的时间点过程(事件过程)生成模型,并结合其他相关进程(控制进程)进行异步操作,利用大型多样化的 Lakh MIDI 音乐数据集进行训练,针对符号音乐生成中的控制 - ICLR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。
- 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。
- 神经时序点过程模型用于电子健康记录建模
研究了医疗资源分配的效率和定制化医疗的发展,使用 Temporal Point Process(TPP)来建模 EHRs,提出了神经网络参数化的 TPPs,经过对合成 EHRs 和基准数据的评估,表明 TPPs 在 EHRs 上明显优于非 - 使用三角形映射的快速灵活时空点过程
TriTPP 基于 normalizing flows 设计出的新的无序 TPP 模型,具有与基于 RNN 的方法相同的灵活性,但允许快速采样,可用于离散状态系统中的变分推断。在合成和现实世界数据集上展示了所提出框架的优点。
- ACL基于神经模型的 Twitter 观点预测模型
本文提出了一种时态点过程模型,通过考虑用户历史推文序列和邻居推文来同时预测用户下一个推文的发布时间和立场标签,设计了一个主题驱动的注意机制来捕捉邻域上的动态话题转换,实验结果表明,该模型相对于其他具有竞争力的基线模型更准确地预测了未来推文的 - 基于全神经网络的一般时间点过程模型
本研究提出了基于递归神经网络 (RNN) 的新型时间点过程模型,能够以一种更为灵活的方式表示强度函数的时间变化,并能够精确地评估对数似然函数,使其能在综合和真实数据集上实现优越性能。