基于累积危害函数的高效多变量时序点过程学习
机器学习
2024-05-03 v2 人工智能
机器学习
摘要
大多数现有时序点过程模型以条件强度函数为特征，这些模型通常需要数值近似方法来评估似然函数，可能影响其性能。通过直接建模强度函数的积分，即累积危害函数（CHF），似然函数可得到准确评估，因而具有潜在的前景。然而，现有基于 CHF 的方法定义不完整，即累积危害函数的数学约束未被完全满足，导致结果不可靠。对于多变量时序点过程，大多数方法为每个变量分别建模强度（或密度等）函数，限制了其可扩展性。本文探索使用神经网络构建灵活但定义完善的 CHF，以实现低参数复杂度的多变量时序点过程学习。实验结果表明，所提出的模型在数据拟合和事件预测任务上实现了最先进的性能，同时参数数量和内存占用显著低于强竞争者。源代码和数据可在 https://github.com/lbq8942/NPP 获取。
引用
@article{arxiv.2404.13663,
title = {Cumulative Hazard Function Based Efficient Multivariate Temporal Point Process Learning},
author = {Bingqing Liu},
journal= {arXiv preprint arXiv:2404.13663},
year = {2024}
}
备注
8 pages