AAAI 2017, Intensity RNN: Modeling The Intensity Function Of Point Process Via Recurrent Neural Networks。相比RMTPP,用LSTM。然后模型加了一个时间序列模块,主要是为了支持有时间序列信息的数据集。然后计算事件发生时间的损失时,用了一个高斯核函数。本质上还是MSE,没啥区别。
AAAI 2017, Intensity RNN: Modeling The Intensity Function Of Point Process Via Recurrent Neural Networks。相比RMTPP,用LSTM。然后模型加了一个时间序列模块,主要是为了支持有时间序列信息的数据集。然后计算事件发生时间的损失时,用了一个高斯核函数。本质上还是MSE,没啥区别。
NIPS 2021, datasets and benchmarks track, MULTIBENCH: Multiscale Benchmarks for Multimodal Representation Learning。代码:MultiBench。这是个benchmark,涵盖15个数据集,10个模态,20个预测任务,6个研究领域。
Semi-supervised Learning for Marked Temporal Point Processes。MTPP的半监督学习,模型称为SSL-MTPP。有标签的地方就用RMTPP,没有标签的地方用RMTPP的编码器和解码器来重构。两边的损失加在一起优化网络。
Individual Mobility Prediction via Attentive Marked Temporal Point Processes。代码:https://github.com/Kaimaoge/AMTPP_for_Mobility。结合深度学习的TPP,用注意力机制增强对事件的表示,使用混合ALL分布对事件间的时间间隔建模,通过学习OD转移概率矩阵给定O预测D。
NIPS 2019, Unsupervised Scalable Representation Learning for Multivariate Time Series。T-loss。无监督多元时间序列表示模型。利用word2vec的负样本采样的思想学习时间序列的嵌入表示。代码:UnsupervisedScalableRepresentationLearningTimeSeries
NIPS 2019: Fully Neural Network based Model for General Temporal Point Processes。创新点是之前的条件强度函数有一个积分项,这个积分项不是很好求,本文提出用一个FNN计算累积强度函数,这样条件强度函数的计算只需要计算累积强度函数对事件时间间隔的偏导数就可以得到了。代码:https://github.com/omitakahiro/NeuralNetworkPointProcess
KDD 2016: RMTPP Recurrent Marked Temporal Point Processes: Embedding Event History to Vector。经典论文,利用RNN近似条件强度函数,将传统点过程带入到神经点过程。
ICLR 2018 workshop, Time-dependent representation for neural event sequence prediction。事件序列的表示学习模型。主要是对事件的嵌入表示有了一些创新,加入了对事件duration的考虑。模型整体还是RNN架构。
这是一篇讲事件序列度量学习的文章,提出的模型叫MeLES,Metric Learning for Event Sequences。Event sequence metric learning