用于事件不确定性预测的贝叶斯神经霍克斯过程

由事件发生时间组成的事件数据出现在多个真实世界应用中。近期工作引入了基于神经网络的点过程来建模事件时间，并被证明在事件时间预测上提供了最先进的性能。然而，神经点过程模型在预测上缺乏良好的不确定性量化能力。对事件建模的恰当不确定性量化将有助于许多实际应用中的更好决策。因此，我们提出了一种新颖的点过程模型——贝叶斯神经霍克斯过程（BNHP），它利用贝叶斯模型的不确定性建模能力与神经网络的泛化能力来建模事件发生时间。我们为该模型增强了时空建模能力，可考虑事件预测时间与位置上的不确定性。在模拟与真实世界数据集上的实验表明，BNHP在事件建模的预测性能与不确定性量化上均有显著提升。