时空匹配的全景事件序列预测

长期范围内的事件预测是零售、金融、医疗和社交网络等多个领域的关键任务。传统的事件序列模型常通过自回归（递归）多步策略来实现范围预测，但由于典型会收敛到恒定或重复的输出，该方法效果有限。为克服这一限制，我们引入DEF，这是一种新颖的方法，用于在高精度和多样性上同时预测多个未来事件。我们的 метод通过使用新颖的匹配基于损失函数来优化训练期间预测与真实事件之间的对齐。我们在长期范围事件预测方面实现了最新的状态，相对于现有时序点过程和事件预测模型实现了最高可达50%的相对改进。此外，我们在下一事件预测任务中实现了最先进的性能，同时在推理期间表现出高计算效率。