带标记时间点的半监督学习
机器学习
2021-07-19 v1 人工智能
摘要
时间点过程（TPPs）常用来表示按发生时间排序的事件序列。由于其灵活性，TPPs 已被用于建模不同场景，并在各种真实应用中展现出适用性。虽然 TPPs 侧重于对事件发生进行建模，带标记时间点过程（MTPP）还侧重于对事件的类别/类（称为标记）进行建模。近年来 MTPP 的研究获得了大量关注，主要集中于监督算法。尽管研究集中于此，但在半监督设定下开发解决方案这一具有挑战性的问题却鲜受关注，在该设定中算法可同时访问有标签和无标签数据的混合。本研究提出了一种适用于此类场景的带标记时间点过程半监督学习（SSL-MTPP）新算法。所提出的 SSL-MTPP 算法利用有标签与无标签数据的组合来学习鲁棒的标记预测模型。该算法采用基于 RNN 的编码器-解码器模块来学习时间序列的有效表示。所提算法的有效性已在 Retweet 数据集上通过多种协议得到验证，其中 SSL-MTPP 相比传统监督学习方法表现出更优性能。
引用
@article{arxiv.2107.07729,
title = {Semi-supervised Learning for Marked Temporal Point Processes},
author = {Shivshankar Reddy and Anand Vir Singh Chauhan and Maneet Singh and Karamjit Singh},
journal= {arXiv preprint arXiv:2107.07729},
year = {2021}
}