Categorical Distribution 作为事件预测的有效神经网络输出
机器学习
2026-01-26 v2
摘要
我们展示了类别分布作为神经网络输出用于下一事件预测的有效性。这一工作适用于离散时间和连续时间事件序列。为了建模连续时间过程，将类别分布解释为分段常数密度函数，并在多个数据集上表现出竞争力。随后，我们通过引入受视网膜人工智能器材启发的神经脉冲预测任务，论证了研究离散时间过程的重要性，其中事件时间的离散化是任务描述所致。此外，我们还提供证据表明常用数据集倾向于较小的模型。最后，我们引入新的合成数据集用于测试大型模型，以及具有离散事件时间的合成数据集。
引用
@article{arxiv.2507.21616,
title = {Categorical Distributions are Effective Neural Network Outputs for Event Prediction},
author = {Kevin Doran and Tom Baden},
journal= {arXiv preprint arXiv:2507.21616},
year = {2026}
}
备注
42 pages, 33 figures