- RoTHP：基于旋转位置嵌入的变压器霍克斯过程
本文中，我们提出了一种基于旋转位置嵌入的 THP (RoTHP) 架构，通过相对时间嵌入与 Hawkes 过程的耦合，理论上展示了 RoTHP 的平移不变性和序列预测灵活性，同时在时间戳平移和序列预测任务中进行的实证研究表明 RoTHP 在 - 揭示潜在因果规则：一种异常事件解释的时态点过程方法
提出了一种自动化方法，使用时间点过程建模来发现规则并解释事件的发生，通过采用期望最大算法进行规则和参数更新，最终优化规则集合，展示了在合成和真实医疗数据集中准确性能表现。
- 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。
- 神经标记时间点过程的非分布式一致性联合预测区域
通过符合预测的框架，本文开发了一种更可靠的方法来量化神经 TPP 模型中的不确定性，其中主要目标是生成到达时间和标记的无分布联合预测区域，并提供了有限样本的边际覆盖保证。
- 动态潜在图引导的神经时态点过程
提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性，相较于现有先进的神经点过程。
- 连续时间域中的时间事件集预测深度表示学习
使用基于时空点过程的方法，通过加入上下文事件嵌入、时间信息和领域特征来建立模型，解决了连续时间域中预测事件集强度的问题，并通过大量实验表明，该方法在预测指标和计算效率上优于现有方法。
- 基于积分的标记时态点过程的无强度学习
通过 IFIB（无强度积分型进程）提出了一种在离散事件中高度准确建模条件联合概率密度 $p^*(m,t)$ 的解决方案，其中事件标记可以是分类的或连续多维空间的数值，该方法极大地简化了过程以满足数学约束条件，并通过在真实数据和合成数据集上展 - 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， - 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。
- 常数内存注意力块
提出了 CMAB 的全新通用关注块的方法，并展示了在神经过程和时间点过程中竞争状态下达到与现有技术相当结果的大量经验证据，同时显著提高了内存效率。
- 条件生成建模：标记时间点过程的全能武器
本研究提出了一种基于被标记的时间点过程的新事件生成模型，其通过条件生成器以及多维标记来捕捉点过程的分布，从而在多维事件空间中实现了出色的学习效率和样本生成性能的表现，并且通过在数值实验中对比其他最先进基线表明其性能优于其他方法。
- 足球比赛事件分析的基于 Transformer 的神经标记时空点过程模型
本篇研究提出了基于神经时间点过程 (NTPP) 框架的基于 Transformer 的标记空间时间点过程 (NMSTPP) 模型，并提出了综合利用球权的度量方法（HPUS），其中，该模型在足球事件数据的预测表现优于基线模型，而 HPUS 得 - 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 - 反事实时点过程
本文提出了一种基于因果模型的稀疏化时间点过程模型，利用超定理和因果单调性提出了一种新的算法，生成了给定时间点下的反事实情形，并在合成和实际流行病数据的模拟实验中取得了有效结果。
- IJCAI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。
- 大规模学习多元 Hawkes 过程
本文提出了一种新的模型和计算方法，通过利用真实世界扩散过程中的特征稀疏性，克服了 Multivariate Hawkes Processes 在规模上的限制，并在合成和真实数据集上取得了最先进的预测结果，同时提高了运行时间性能。 结合易于解 - ICLR无强度学习时空点过程
研究如何通过直接建模条件插值时间的条件分布来克服强制使参数化强度函数的局限性，并提出了一个简单的混合模型，其匹配了基于流的模型的灵活性，但也允许闭式采样和计算矩，该模型在标准预测任务中表现出最先进的性能，适用于学习序列嵌入和填补缺失数据等新 - 动态图中的双线性交互学习时间注意力
该论文通过使用时态点过程和变分自编码器提出了一种无需人工边缘指定的模型，学习推断节点间的时间关注力，从而具有更大的灵活性和更好的性能，用于动态链接预测任务。
- 神经跳跃随机微分方程
本文提出了一种名为神经跳跃随机微分方程的数据驱动方法，用于学习连续和离散动态行为，即同时具有流动和跳跃的混合系统，并在几个合成和真实世界的标记点过程数据集上展示了其预测能力。
- 通过强化学习学习时态点过程
这篇论文提出了一种基于增强学习方法的灵活时空点过程模型的算法，该算法可以生成满足真实数据分布的样本来评估模型质量，并采用逐步改进的策略参数化模型。模拟结果表明其在合成和真实数据中均表现良好。