Key points are not available for this paper at this time.
Os processos pontuais temporais neurais (TPPs) mostraram-se promissores para a modelagem de sequências de eventos em tempo contínuo. No entanto, capturar as interações entre eventos é desafiador, mas crítico para realizar tarefas de inferência, como previsão em dados de sequência de eventos. Modelos TPP existentes se concentraram em parametrizar a distribuição condicional de eventos futuros, mas têm dificuldade em modelar interações de eventos. Neste trabalho, propomos uma abordagem nova que aproveita a Inferência Relacional Neural (NRI) para aprender um gráfico de relações que infere interações enquanto aprende simultaneamente padrões dinâmicos a partir de dados observacionais. Nossa abordagem, o Processo de Hawkes baseado em Inferência Relacional Contrastiva (CRIHP), raciocina sobre interações de eventos sob uma estrutura de inferência variacional. Utiliza aprendizagem baseada em intensidade para buscar caminhos protótipos para contrastar restrições relacionais. Experimentos extensivos em três conjuntos de dados do mundo real demonstram a eficácia do nosso modelo em capturar interações de eventos para tarefas de modelagem de sequência de eventos.
Wang et al. (Mon,) estudaram essa questão.