时空扩散点过程
机器学习
2023-06-27 v2
摘要
时空点过程（STPP）是伴随时间与空间的事件随机集合。由于计算复杂性，现有STPP解法以时间与空间的条件独立性为妥协，分别考虑时间与空间分布。未能对联合分布建模导致在刻画给定历史事件的时空纠缠交互时能力受限。本文提出一种新颖的STPP参数化框架，利用扩散模型学习复杂时空联合分布。我们将目标联合分布的学习分解为多步，每步均可由高斯分布准确描述。为增强每步学习，提出精心设计的时空协同注意力模块以自适应捕获事件时间与空间的相互依赖。我们首次打破现有解法对时空依赖的限制，为STPP启用灵活准确的建模范式。来自流行病学、地震学、犯罪与城市移动等广泛领域的丰富实验表明，我们的框架以超50%的平均提升显著优于最先进基线。进一步深入分析验证了其捕获时空交互的能力，可针对不同场景自适应学习。数据集与源代码在线可用：https://github.com/tsinghua-fib-lab/Spatio-temporal-Diffusion-Point-Processes。
引用
@article{arxiv.2305.12403,
title = {Spatio-temporal Diffusion Point Processes},
author = {Yuan Yuan and Jingtao Ding and Chenyang Shao and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2305.12403},
year = {2023}
}
备注
Accepted by KDD23