ProActive：面向活动序列的自注意力时序点过程流模型

任何人类活动都可表示为为实现某一目标而执行动作的时间序列。与机器生成的时间序列不同，这些动作序列高度异构，因为完成相似动作所需时间在不同人之间可能存在差异。因此，理解这些序列的动态特性对于诸多下游任务（如活动时长预测、目标预测等）至关重要。现有的神经活动序列建模方法要么局限于视觉数据，要么是任务特定的，即仅限于下一动作或目标预测。本文提出 ProActive，一种神经标记时序点过程（MTPP）框架，用于对活动序列中动作的连续时间分布建模，同时解决三个高影响力问题——下一动作预测、序列目标预测和端到端序列生成。具体而言，我们利用带时间归一化流的自注意力模块来建模序列中动作间的影响及到达时间间隔。此外，对于时间敏感预测，我们通过基于约束边际的优化过程对序列目标进行早期检测。这反过来使 ProActive 能够利用有限数量的动作预测序列目标。基于三个活动识别数据集所得序列的大量实验表明，ProActive 在动作与目标预测方面相较最先进水平取得了显著精度提升，并实现了端到端动作序列生成的首次应用。