时空神经点过程的自动积分
机器学习
2023-11-02 v2 机器学习
摘要
学习连续时间点过程对许多离散事件预测任务至关重要。然而，积分构成主要挑战，尤其对时空点过程（STPPs）而言，因其需通过对空间与时间的重积分计算似然。现有 STPP 积分方法要么假设强度函数的参数形式，缺乏灵活性；要么用蒙特卡洛采样近似强度，引入数值误差。Omi 等人 [2019] 近期工作提出双网络方法以高效积分灵活强度函数，但其方法仅聚焦于 1D 时间点火过程。本文引入新范式：AutoSTPP（时空神经点过程的自动积分），将双网络方法扩展至 3D STPP。尽管先前工作奠定基础，其直接扩展过度限制强度函数并导致计算挑战。对此，我们采用基于 ProdNet 的可分解参数化用于积分网络。该方法利用简化单变量图的乘积，有效规避多变量计算图固有的计算复杂性。我们证明 AutoSTPP 的一致性，并在合成数据与基准真实数据集上验证。AutoSTPP 在从不规则时空事件恢复复杂强度函数方面展现显著优势，尤其当强度呈尖锐局域化时。我们的代码开源于 https://github.com/Rose-STL-Lab/AutoSTPP。
引用
@article{arxiv.2310.06179,
title = {Automatic Integration for Spatiotemporal Neural Point Processes},
author = {Zihao Zhou and Rose Yu},
journal= {arXiv preprint arXiv:2310.06179},
year = {2023}
}