时序点过程的最新进展：贝叶斯、神经与大语言模型方法综述
机器学习
2025-06-30 v2 机器学习
摘要
时序点过程（TPPs）是用于描述连续时间内发生事件序列的随机过程模型。传统统计 TPPs 历史悠久，已提出众多模型并成功应用于多个领域。近年来，深度学习的进展推动了神经 TPPs 的发展，使其能够更灵活、更具表达力地捕捉复杂的时间动态。大型语言模型（LLM）的出现进一步引发期待，为利用其丰富的上下文理解能力对事件序列进行建模和分析提供了新可能。本综述从贝叶斯、深度学习和 LLM 三个角度全面回顾了 TPPs 最新研究进展。我们首先回顾 TPPs 的基本概念，随后深入讨论这三种框架中的模型设计与参数估计技术。我们还回顾经典应用领域，以凸显其实际意义。最后，概述挑战与未来研究的潜在方向。
引用
@article{arxiv.2501.14291,
title = {Advances in Temporal Point Processes: Bayesian, Neural, and LLM Approaches},
author = {Feng Zhou and Quyu Kong and Jie Qiao and Cheng Wan and Yixuan Zhang and Ruichu Cai},
journal= {arXiv preprint arXiv:2501.14291},
year = {2025}
}