本研究提出了一种新颖的图时空点过程模型（GSTPP），有效处理空间异质性和潜在相关性，从而提高细粒度事件预测的准确性，实验结果显著优于现有方法。

本研究提出多种基于深度学习的方法，旨在自动识别腹腔镜手术中的阶段和工具，以提高术中事件预测的准确性。通过卷积神经网络和强化学习，研究展示了手术视频分析的优势，并引入了OphNet数据集，提供丰富的眼科手术视频注释，推动智能系统的发展。

本文介绍了VisualComet框架，旨在预测图像中的事件和人物意图，并建立了一个包含140万个文本描述和图像的数据集。研究探讨了多模态模型在视觉常识生成中的应用，提出了新的预训练任务以提升性能，强调了数据多样性对生成文本的影响，并提出了结合视觉-语言模型的细粒度常识提取任务。

本文探讨了基于循环事件网络和大型语言模型的时间知识图谱（TKG）预测方法，提出了Graph Hawkes神经网络和对比事件网络等模型，以提高事件预测的准确性和效率。研究表明，结合历史对比学习和条件概率密度函数能显著改善预测性能，尤其在样本有限和事件类型不平衡的情况下。

本文探讨了大型语言模型（LLMs）在事件预测中的应用，强调通过微调和检索模块提升性能。研究表明，多模态模型在时间活动定位方面表现优越，并提出了解决事件级幻觉问题的新方法。同时，评估了LLMs与传统时间序列预测方法的优缺点，指出模型在未来事件预测中仍面临挑战。

本文探讨了多种时间点过程（TPP）建模方法，包括卷积神经网络和RNN的集成模型、扩散生成模型及DualTPP模型，旨在提高事件预测的准确性和效率。研究表明，这些新方法在长期预测和复杂时间数据处理方面表现优异，推动了神经时间点过程领域的发展。

大型语言模型（LLMs）在多轮互动中评估推理和决策能力，显示商业与开源模型的性能差距。尽管在图像分类等领域已超越人类，但在未来事件预测上仍存在困难。研究提出评估指标，分析不同模型的准确性，发现模型倾向于低估事件发生的可能性。LLMArena框架用于评估LLMs在多代理环境中的能力，结果显示对手建模和团队协作仍需改进。

本文探讨了神经时间点过程（TPP）的多种模型及其在事件预测中的应用，包括DualTPP、图神经网络结合TPP和变分神经TPP等。这些模型在长期预测和准确性方面表现优越，并提出了新的参数化方法和基准测试，以推动该领域的研究进展。

本文介绍了多种大型语言模型（LLM）的应用与创新，包括潜在树语言模型（LTLM）、逻辑模式记忆预训练模型（LMPM）和解释性时间推理模型。这些模型在知识填补、事件预测和金融时间序列分析中表现优异，显著提高了推理效率和准确性。

本文比较了不同粒度的事实性分值应用，提出了一种基于证明的文本蕴涵树方法，显著提高了文本推理的准确性。研究表明，将复杂任务分解为子任务能有效提升大型语言模型的性能，并在金融新闻时态性检测和情感分析中取得了较高的精确度。此外，提出的时间推理模型在事件预测和解释方面表现优异。

本文介绍了基于图卷积网络和增强学习的时序知识图谱推理模型，如CluSTeR、CoH和RE-GCN，旨在提升事件预测的性能和可解释性。这些模型在多个数据集上表现优异，尤其在处理历史信息和时序模式方面具有明显优势。

AutoCast++是一种利用新闻文章进行事件预测的系统，采用零样本排序和摘要方法来提取语义相关的新闻并获得简洁的上下文，通过多项指标的显著改善来提高多选和判断题的性能。

本文使用多元Hawkes过程建模滞后的Granger因果效应，并通过模拟后验分布推断时间滞后。研究了复杂环境下的模型估计方法，取得了良好的事件预测和时间滞后推断结果。