面向连续时间域时态事件集预测的深层表示学习
机器学习
2023-10-02 v1
摘要
时态点过程（TPP）在事件预测或预报中发挥着重要作用。尽管这些问题已被广泛研究，预测多个同时发生的事件仍具挑战性。例如，患者时常因多种病症同时入院。类似地，人们会同时购买多支股票，多条新闻也会在同一时刻爆发。此外，这些事件并非发生于离散时间间隔，而在连续时间域中预报事件集仍是一个开放问题。将现有 TPP 模型扩展以解决该问题的朴素方法会导致处理指数级数量的事件或忽略事件间的集合依赖。本工作中，我们提出一种基于 TPP 的可扩展高效方法来解决此问题。我们所提方法融合上下文事件嵌入、时间信息与领域特征来建模时态事件集。我们通过多个数据集上的大量实验证明了方法的有效性，表明我们的模型在预测指标与计算效率上均优于现有方法。据我们所知，这是首项利用 TPP 解决连续时间域事件集强度预测问题的工作。
引用
@article{arxiv.2309.17009,
title = {Deep Representation Learning for Prediction of Temporal Event Sets in the Continuous Time Domain},
author = {Parag Dutta and Kawin Mayilvaghanan and Pratyaksha Sinha and Ambedkar Dukkipati},
journal= {arXiv preprint arXiv:2309.17009},
year = {2023}
}
备注
Accepted in ACML 2023 - Conference Track (Long Paper)