20260617:目前有914 页

concepts/intensity-free-modeling.md

@@ -0,0 +1,70 @@
+---
+title: "Intensity-free 建模"
+created: 2026-06-16
+updated: 2026-06-16
+type: concept
+tags: [temporal-point-process, parameterization, training-efficiency]
+sources: [raw/papers/advances-temporal-point-processes-2026.md]
+---
+
+# Intensity-free 建模 (Intensity-free Modeling)
+
+Intensity-free 建模是神经 TPP 中绕过 [[conditional-intensity-function|条件强度函数]] 积分的一种参数化策略，旨在消除 MLE 训练中的数值积分瓶颈。
+
+## 动机
+
+传统 intensity-based 方法在 MLE 训练时面临核心困境：
+
+```
+log L = sum log lambda*(t_n) - ∫_0^T lambda*(tau) dtau
+```
+
+积分 `∫ lambda*` 在大多数神经参数化下没有闭式解，需 Monte Carlo 或数值积分近似——计算开销大且引入估计误差。
+
+## 三种 Intensity-free 范式
+
+### 1. 直接建模条件密度 `f(t|H)`
+
+```
+f(t | H_{t_n}) = sum_{m=1}^M w_m * LogNormal(t; mu_m, sigma_m)
+```
+
+- 代表性工作：Shchur et al. (2020a) (RNN), Panos (2024) (Transformer)
+- 对数正态混合分布消除积分需求
+- 采样直接可用（从混合分布采样）
+
+### 2. 建模累积强度函数 `Lambda*(t)`
+
+用单调神经网络或样条对 `Lambda*(t)` 建模：
+```
+log L = sum log(dLambda*/dt) - Lambda*(T)
+```
+
+- 无需积分 `lambda*`
+- Omi et al. (2019), Shchur et al. (2020b), Liu (2024)
+
+### 3. 建模逆 CDF `F^{-1}`
+
+用单调有理二次样条学习逆累积分布：
+```
+t = F^{-1}(u | H_{t_n}), u ~ Uniform(0,1)
+```
+
+- Taieb (2022)：同时避免积分和保证高效采样
+
+## 对比
+
+| 方法 | 数值积分 | 采样效率 | MLE 复杂度 |
+|------|---------|---------|-----------|
+| Intensity-based | 需要 | 需 thinning | 高 |
+| 密度参数化 | 无需 | 直接采样 | 低 |
+| 累积强度 | 无需 | 需逆变换 | 中 |
+| 逆 CDF | 无需 | 直接采样 | 低 |
+
+## 参考
+
+- [[temporal-point-process|时间点过程]]
+- [[conditional-intensity-function|条件强度函数]]
+- [[neural-temporal-point-process|神经 TPP]]
+- [[tpp-training-methods|TPP 训练方法]]
+- [[advances-temporal-point-processes-2026|TPP 综述]]