增加与稀疏:用于时间点过程的扩散
原文中文,约300字,阅读约需1分钟。发表于: 。在连续时间事件数据的时间点过程(TPP)框架中,自回归神经网络已成为建模连续时间事件数据的标准。为了克服这些限制,我们推导出 ADD-THIN,一种基于整个事件序列的原则性概率去噪扩散模型,它与现有的扩散方法不同,可以自然地处理具有离散和连续分量的数据。在合成和真实数据集的实验中,我们的模型在密度估计方面与最先进的 TPP 模型相匹配,并在预测方面明显优于它们。
ADD-THIN是一种基于整个事件序列的原则性概率去噪扩散模型,可以自然地处理具有离散和连续分量的数据。实验表明,该模型在密度估计方面与最先进的TPP模型相匹配,并在预测方面明显优于它们。