基于 Gromov-Wasserstein 正则化学习结构增强的时间点过程

现实世界的事件序列通常由不同的时间点过程(TPP)生成，因此具有聚类结构。然而，在事件序列的建模与预测中，大多数现有的 TPP 忽略了事件序列固有的聚类结构，导致模型的可解释性不尽如人意。在本研究中，我们借助 Gromov-Wasserstein (GW) 正则化来学习结构增强的 TPP，该方法在最大似然估计框架下将聚类结构施加于 TPP 的序列级嵌入上。在训练阶段，所提方法利用非参数 TPP 核来正则化基于序列嵌入导出的相似度矩阵。在大规模应用中，我们对核矩阵进行采样，并将该正则化实现为 Gromov-Wasserstein (GW) 差异项，从而在正则性与计算效率之间取得平衡。通过该方法学习到的 TPP 产生了聚类的序列嵌入，并展现出极具竞争力的预测和聚类性能，在不牺牲预测准确性的前提下显著提升了模型的可解释性。