基于脉冲神经网络学习多变量时序过程的动态图结构估计
机器学习
2025-04-03 v1 人工智能
摘要
建模和预测时序点过程（TPPs）在神经科学、流行病学、金融和社会科学等领域至关重要。我们引入了脉冲动态图网络（SDGN），一个新型框架，利用脉冲神经网络（SNNs）的时序处理能力和脉冲时序依赖可塑性（STDP）来动态估计潜在的时空功能图。与依赖预定义或静态图结构的现有方法不同，SDGN能够从事件数据中直接学习动态时空依赖，增强了可泛化性和鲁棐性。尽管SDGN在处理密集图和某些非高斯依赖方面存在局限性，但这为未来的改进提供了机遇。我们的评估在合成数据和真实世界数据集（包括NYC出租车、911紧急报警、Reddit和Stack Overflow）上进行，表明SDGN在预测准确性和计算效率方面均优于先前方法。此外，我们包括了消融研究，以突出其核心组件的贡献。
引用
@article{arxiv.2504.01246,
title = {Dynamic Graph Structure Estimation for Learning Multivariate Point Process using Spiking Neural Networks},
author = {Biswadeep Chakraborty and Hemant Kumawat and Beomseok Kang and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:2504.01246},
year = {2025}
}
备注
18 pages, 3 figures