---
title: "扩散时间点过程 (Diffusion-based TPP)"
created: 2026-06-16
updated: 2026-06-16
type: concept
tags: [temporal-point-process, diffusion-models, generative-modeling, non-autoregressive]
sources: [raw/papers/advances-temporal-point-processes-2026.md]
---

# 扩散时间点过程 (Diffusion-based TPP)

扩散 TPP 利用扩散模型的迭代去噪机制生成整个事件序列，提供了一种非自回归（non-autoregressive）的 TPP 建模范式。

## 核心思想

不同于传统神经 TPP 逐事件自回归预测 `p(t_n | H_{t_{n-1}})`，扩散 TPP 学习整个序列 `T = (t_1,...,t_N)` 的联合分布：

```
T_0 ~ data distribution
T_1, ..., T_K  (前向加噪)
p_theta(T_{k-1} | T_k)  (反向去噪/生成)
```

## 关键工作

- **Add-and-Thin** (Lüdke et al., 2023)：首个扩散 TPP 框架，用点过程特有的"添加"和"thinning"操作替代标准高斯扩散，保留事件序列语义
- **EventFlow** (Kerrigan et al., 2024)：用 flow matching 在一次去噪轨迹中预测整个预测窗口内的多个未来事件
- **Spatio-temporal diffusion** (Yuan et al., 2023)：联合建模空间和时间的扩散点过程
- **Point set diffusion** (Lüdke et al., 2024)：将事件序列视为无序点集，排列不变生成

## 优势与局限

### 优势
- 批量化生成整条序列，避免自回归误差累积
- 天然捕捉事件间的全局依赖
- 适合长程预测和序列模拟

### 局限
- **时序一致性弱**：隐式表征时间信息，难以保证因果顺序
- **训练/推理成本高**：每次生成需数十到数百次去噪步骤
- **缺乏显式似然**：模型评估和校准困难
- **精细时序结构**：inter-event 时间分布不如直接参数化精确

## 参考

- [[temporal-point-process|时间点过程]]
- [[neural-temporal-point-process|神经 TPP]]
- [[advances-temporal-point-processes-2026|TPP 综述]]