深度生成点过程模型的Wasserstein学习
机器学习
2017-05-24 v1 机器学习
摘要
点过程因其坚实的数学基础以及在建模多种真实世界现象方面的优势，在异步序列数据建模中正变得非常流行。当前，它们通常通过强度函数来刻画，但由于实践中对其参数形式采用了不现实的假设，这限制了模型的表达能力。此外，它们通过最大似然方法进行学习，而该方法在序列的多模态分布中易于失效。在本文中，我们提出了一种无强度方法用于点过程建模，该方法将干扰过程变换为目标过程。进而，我们利用点过程之间的 Wasserstein 距离，通过无似然方式训练模型。在各种合成与真实世界数据上的实验证实了所提点过程模型相对于传统模型的优越性。
引用
@article{arxiv.1705.08051,
title = {Wasserstein Learning of Deep Generative Point Process Models},
author = {Shuai Xiao and Mehrdad Farajtabar and Xiaojing Ye and Junchi Yan and Le Song and Hongyuan Zha},
journal= {arXiv preprint arXiv:1705.08051},
year = {2017}
}