Deep Graph Kernel Point Processes over Networks

doi:10.1080/10618600.2026.2652934

Deep Graph Kernel Point Processes over Networks

2026-04-01

0

PRE

AI

DOI：10.1080/10618600.2026.2652934

原文链接

原文求助

摘要

En 中文

点过程模型被广泛应用于连续时间离散事件数据，其中每个数据点包含时间以及称为标记（marks）的附加信息——位置、节点或事件类型。我们提出了一种基于Hawkes经典影响核函数框架构建的新点过程模型，用于捕捉历史事件对未来事件发生的影响。核心思想是通过图神经网络（GNN）表示影响核，以捕捉底层图结构并利用GNN的强大表示能力。与以往直接使用神经网络建模条件强度函数的工作相比，我们的核表示通过结合统计模型和深度模型，更有效地利用重复事件影响模式，实现了更好的模型估计/学习效率和更优的预测性能。我们的工作显著扩展了现有的深度时空核方法，该方法因观测空间本质差异（欧氏空间而非图结构）而不适用于我们的场景。我们在合成数据和真实数据上进行了全面实验，展示了所提方法在预测未来事件和揭示数据图结构方面优于当前最优技术的性能。

Keyword:

Deep kernel

Graph neural networks

Point processes over graphs

Deep Graph Kernel Point Processes over Networks

摘要

期刊

机构

引用论文