用于带动态潜在图的神经时间点过程的变分自编码器

连续观察到的事件发生往往表现出自我及相互激励效应，可以通过时间点过程很好地建模。除此之外，这些事件动态可能随着时间而变化，呈现出某些周期性趋势。我们提出了一种新颖的变分自编码器，以捕捉这种时间动态的混合。更具体地说，输入序列的整个时间区间被划分为一组子区间。假设事件动态在每个子区间内是平稳的，但可能在这些子区间之间发生变化。特别地，我们使用序列潜在变量模型来学习观察维度之间的依赖图，对每个子区间进行处理。该模型通过利用学习到的依赖图去除过去事件的非贡献性影响，从而预测未来事件的发生时间。通过这样做，与现有的最先进的神经点过程相比，所提出的模型在预测事件之间的时间和事件类型方面展示了更高的准确性，适用于多个现实世界事件序列。