序列化 (Serialization)将对象的状态信息转换为可以存储或传输的形式的过程。

VIP内容

题目主题:

Temporal Point Processes Learning for Event Sequences

简介:

时点过程(TPP)是描述和建模连续时间域中事件序列的一个很好的数学框架,它通常带有位置、参与者等附加属性。近年来,越来越多的机器学习模型用于时点过程的学习和推理,在理解、预测和干预不同个体、群体和系统的动态行为方面有着广泛的背景。在大数据时代,利用这种时间事件序列进行有效的学习对企业和社会都具有重要的价值,而传统的基于时间序列的学习方法往往将原始事件离散为等间隔,忽略了时间戳的连续性。

在本教程中,我将首先对时间点过程的预备知识做一个基本的介绍,并通过几个应用实例回顾一些流行的和经典的表单。还将描述基于贝叶斯形式的学习。然后我将介绍点过程学习的最新进展,包括TPP的深度学习和强化学习。最后,我将展示一些新的场景,例如应用TPP模型时的缺失和删失观测,并讨论未来的方向,以便于在时间点过程中的进一步研究。

作者介绍:

Junchi Yan,是上海交通大学计算机科学与工程系和上海交通大学人工智能研究所的终身制独立研究教授。在2018年4月加入SJTU之前,Junchi自2011年4月起一直在IBM Research从事机器学习和计算机视觉研究及应用。在那段时间。曾任IBM中国研究实验室高级研究人员和工业检验首席科学家,并在工业预防性维修项目中广泛应用时间点过程模型。他还曾是IBM T.J.沃森研究中心(约克敦高地)、日本国家信息学研究所(东京)和腾讯人工智能实验室(深圳)的访问研究员。

Liangda Li,是雅虎研究公司搜索和搜索广告团队的资深研究科学家。领导科研团队的垂直搜索排名、查询理解、搜索广告、查询语言分析项目。在加入雅虎研究之前,他在佐治亚理工学院计算机科学学院获得了博士学位,并接受了zhaongyuan Zha教授的指导。2010年,他在上海交通大学计算机学院计算机科学荣誉班获得学士学位。他被授予2010年微软亚洲研究青年研究员奖。他的研究兴趣包括机器学习及其在信息检索和社交网络中的应用。特别是,他专注于各种真实行为数据中的影响建模,如搜索意图理解、城市智能和危机/犯罪。

教程大纲:

  • 时点过程:基础(15分钟)
    • 强度函数建模
    • TPP仿真
    • TPP学习的贝叶斯框架
  • 时间点过程的典型模型(30分钟)
    • 泊松过程
    • 霍克斯过程
    • 自校正过程(非线性霍克斯过程)
    • 时变霍克斯过程
    • 霍克斯过程的混合模型
    • 基于因子分解的特征过程
    • MLE解
    • LS解决方案
  • 时间点过程的深度学习(30分钟)
    • 神经时点过程
    • 时间点过程的GAN
    • 时间点过程的强化学习
  • 实践中的时间点过程(15分钟)
    • 从不完美的观察中学习
    • 从丢失的数据推断
    • 基于特征的随机拼接
    • 超级位置
    • 从扭曲序列中学习
    • 应用:社交网络分析、医疗保健、推荐、视频预告片生成、犯罪分析
    • 开源工具箱
成为VIP会员查看完整内容
0
38

最新论文

Dynamic generalized linear models may be seen simultaneously as an extension to dynamic linear models and to generalized linear models, formally treating serial auto-correlation inherent to responses observed through time. The present work revisits inference methods for this class, proposing an approach based on information geometry, focusing on the $k$- parametric exponential family. Among others, the proposed method accommodates multinomial and can be adapted to accommodate compositional responses on $k=d+1$ categories, while preserving the sequential aspect of the Bayesian inferential procedure, producing real-time inference. The updating scheme benefits from the conjugate structure in the exponential family, assuring computational efficiency. Concepts such as Kullback-Leibler divergence and the projection theorem are used in the development of the method, placing it close to recent approaches on variational inference. Applications to real data are presented, demonstrating the computational efficiency of the method, favorably comparing to alternative approaches, as well as its flexibility to quickly accommodate new information when strategically needed, preserving aspects of monitoring and intervention analysis, as well as discount factors, which are usual in sequential analyzes.

0
0
下载
预览
参考链接
Top