HyperHawkes：基于超网络的神经时序点过程
机器学习
2022-10-04 v1
摘要
时序点过程是用于对连续时间空间中事件时间数据建模的重要工具。尽管来自社交媒体、医疗等各个领域拥有海量事件序列数据，时序点过程在现实世界应用中面临两大挑战：1）无法泛化到动态环境中对未见序列的事件进行预测；2）无法在极少监督下持续演化环境中发挥作用，同时保留先前学到的知识。为解决这些问题，我们提出 HyperHawkes，一种基于超网络的时序点过程框架，能够对未见序列的事件发生时间进行建模。由此，我们解决了事件时间建模的零样本学习问题。我们还开发了基于超网络的持续学习时序点过程，用于对事件时间序列进行连续建模且遗忘最小。通过这种方式，HyperHawkes 为时序点过程增强了零样本建模与持续学习能力。我们通过两个真实世界数据集上的实验展示了所提框架的应用。结果表明，该方法在未见事件序列的零样本设定下预测未来事件方面是有效的。我们还表明，所提模型能够持续预测序列，同时保留来自先前事件序列的信息，从而缓解事件时间数据的灾难性遗忘。
引用
@article{arxiv.2210.00213,
title = {HyperHawkes: Hypernetwork based Neural Temporal Point Process},
author = {Manisha Dubey and P. K. Srijith and Maunendra Sankar Desarkar},
journal= {arXiv preprint arXiv:2210.00213},
year = {2022}
}
备注
9 pages, 2 figures