Cumulative Hazard Function Based Efficient Multivariate Temporal Point Process Learning

现有的时间点过程模型通常由条件强度函数特征化。这些模型通常需要数值逼近方法来评估似然函数，这可能会损害它们的性能。通过直接对强度函数的积分进行建模，即累积风险函数（CHF），可以准确评估似然函数，这是一种有前途的方法。然而，现有的基于CHF的方法并不是完全定义良好的，即CHF的数学约束条件并没有完全满足，导致结果不可靠。对于多元时间点过程，大多数现有方法为每个变量建模强度（或密度等）函数，限制了可扩展性。在本文中，我们探讨使用神经网络来建模一个灵活但定义良好的CHF，并学习低参数复杂度的多元时间点过程。在六个数据集上的实验结果表明，所提出的模型在数据拟合和事件预测任务上实现了最先进的性能，同时具有比强竞争对手更少的参数和内存使用量。源代码和数据可从https://github.com/lbq8942/NPP获取。

论文旨在使用神经网络建模灵活但定义良好的累积风险函数，学习多元时间点过程，同时降低参数复杂度。现有的累积风险函数方法存在数学约束不完全的问题，导致结果不可靠。同时，现有的多元时间点过程方法限制了每个变量的强度函数的建模，限制了可扩展性。这篇论文试图解决这些问题。

使用神经网络直接建模累积风险函数，从而准确计算似然函数，提高多元时间点过程的学习性能。同时，通过简化模型参数，提高可扩展性。

论文使用了六个数据集进行实验，证明了所提出的模型在数据拟合和事件预测任务上均表现出优异的性能，同时具有比强大竞争对手更少的参数和内存使用。论文代码和数据已经开源。

最近的相关研究包括使用神经网络建模时间点过程的其他方法，如RNN和LSTM。其中一些论文是：“Deep Temporal Point Process for Personalized Risk Prediction”和“Neural Hawkes Process: A Non-parametric Approach to Modeling Point Processes with Long-range Dependencies”。