Un autoencoder variacional para procesos de puntos temporales neuronales con gráficos latentes dinámicos

Las ocurrencias de eventos observados de manera continua a menudo exhiben efectos de autoexcitación y mutuamente excitantes, los cuales pueden ser bien modelados utilizando procesos de puntos temporales. Más allá de eso, estas dinámicas de eventos pueden también cambiar con el tiempo, con ciertas tendencias periódicas. Proponemos un nuevo autoencoder variacional para capturar tal mezcla de dinámicas temporales. Más específicamente, todo el intervalo de tiempo de la secuencia de entrada se divide en un conjunto de subintervalos. Se asume que las dinámicas de eventos son estacionarias dentro de cada subintervalo, pero podrían estar cambiando a través de esos subintervalos. En particular, usamos un modelo de variable latente secuencial para aprender un gráfico de dependencia entre las dimensiones observadas, para cada subintervalo. El modelo predice los tiempos futuros de eventos, utilizando el gráfico de dependencia aprendido para eliminar las influencias no contributivas de eventos pasados. Al hacerlo, el modelo propuesto demuestra su mayor precisión en la predicción de tiempos entre eventos y tipos de eventos para varias secuencias de eventos del mundo real, en comparación con los procesos de puntos neuronales de última generación existentes.