.png){kind=icon}
返回
Non-autoregressive diffusion-based temporal point processes for continuous-time long-term event prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.126210.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
连续时间事件预测在许多应用中扮演着重要角色，尤其是在时间敏感的场景中。时间点过程（TPPs）是处理该任务的便捷工具。然而，传统的TPP模型依赖自回归预测，并忽略了预测事件序列的内部一致性，这会导致长期误差累积，从而损害对未来遥远事件的准确预测能力。在本研究中，我们提出了一种基于扩散的TPP框架，用于连续时间中的长期事件预测。该框架具有类似自动编码器的结构，支持高效端到端训练和稳健的非自回归采样。我们进一步设计了一种新颖的去噪架构，专为长期事件预测场景定制，该架构联合考虑了历史依赖性和目标序列的内部一致性，以提供高质量的去噪信号。我们进行了大量实验来证明所提出模型相较于现有先进方法的优越性。据我们所知，这是首次将扩散方法应用于长期事件预测问题的研究。
Keyword:
Generative model
Denoising diffusion probabilistic model (DDPM)
Deep learning
Residual network
Dilated convolution
Multi-step prediction
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Self-Supervised Graph Learning With Hyperbolic Embedding for Temporal Health Event Prediction用于时间健康事件预测的双曲嵌入自监督图学习
OAAI
OAAI分享收藏Embedding-Based Entity Alignment of Cross-Lingual Temporal Knowledge Graphs基于嵌入的跨语言时态知识图实体对齐.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Recurrent Marked Temporal Point ProcessesProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Multi-Task Learning for Spatio-Temporal Event ForecastingProceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏
查看更多内容