面向时序点过程的编辑基流匹配
机器学习
2026-02-05 v3
摘要
时序点过程 (TPPs) 是一种基本工具，用于在连续时间中建模事件序列，但大多数现有方法依赖于自回归参数化，这些方法受限于顺序抽样。最近出现的非自回归、扩散风格的模型通过在离散马尔可夫链中通过事件插入和删除来在噪声和数据之间进行联合插值，从而缓解了这些问题。在本工作中，我们对这种视角进行了推广，引入一种用于 TPPs 的编辑流过程，通过插入、删除和替代编辑操作将噪声传输到数据。通过在连续时间马尔可夫链框架中学习每个编辑操作的瞬时编辑率，我们获得了一个灵活且高效的模型，有效地减少了生成过程中所需的编辑操作总数。实证结果表明，我们的无条件训练模型在广泛的无条件和条件生成任务中展现出良好的生成灵活性。
引用
@article{arxiv.2510.06050,
title = {Edit-Based Flow Matching for Temporal Point Processes},
author = {David Lüdke and Marten Lienen and Marcel Kollovieh and Stephan Günnemann},
journal= {arXiv preprint arXiv:2510.06050},
year = {2026}
}