---
title: "Review: Advances in Temporal Point Processes"
created: 2026-06-16
updated: 2026-06-16
type: review
tags: [temporal-point-process, survey, review]
sources: [raw/papers/advances-temporal-point-processes-2026.md]
---

# Review: Advances in Temporal Point Processes

**论文**：Advances in Temporal Point Processes: Bayesian, Neural, and LLM Approaches  
**作者**：Feng Zhou, Quyu Kong, Jie Qiao, Cheng Wan, Yixuan Zhang, Ruichu Cai  
**发表**：TMLR, 2026年6月  
**添加时间**：2026-06-16

---

## 🎯 核心概念

1. **[[temporal-point-process|时间点过程]]** — 建模连续时间事件序列的随机过程，两种等价参数化：条件密度函数 vs 条件强度函数
2. **[[conditional-intensity-function|条件强度函数]]** — TPP 的核心数学工具，描述给定历史下事件发生的瞬时速率
3. **[[hawkes-process|Hawkes 过程]]** — 自激励过程，"过去事件增加未来事件概率"
4. **[[neural-temporal-point-process|神经 TPP]]** — RNN → Transformer → Diffusion 三代架构演进，四种参数化选择
5. **[[bayesian-nonparametric-tpp|贝叶斯非参数 TPP]]** — GP 先验替代固定参数形式，兼具灵活性与不确定性量化
6. **[[llm-based-temporal-point-process|LLM TPP]]** — LLM-inspired (PromptTPP/LAMP) vs Direct Integration (TPP-LLM/Language-TPP)
7. **[[marked-temporal-point-process|标记 TPP]]** — 多类型事件，Granger 因果发现的数学基础
8. **[[granger-causality-tpp|Granger 因果发现]]** — 从事件序列推断事件类型间的因果结构
9. **[[intensity-free-modeling|Intensity-free 建模]]** — 绕过强度积分的参数化策略（密度/累积强度/逆 CDF）
10. **[[diffusion-based-tpp|扩散 TPP]]** — 非自回归生成，批量化长程预测
11. **[[tpp-training-methods|TPP 训练方法]]** — MLE vs Wasserstein vs NCE vs Score Matching 的统计-计算权衡
12. **[[tpp-applications|TPP 应用]]** — 社交网络、金融、神经科学、流行病学的事件预测与因果发现

---

## 🔗 概念网络

- **核心连接**：`temporal-point-process ↔ conditional-intensity-function ↔ hawkes-process`（核心理论三角）
- **三条发展路线**：
  - Bayesian: `temporal-point-process → bayesian-nonparametric-tpp → hawkes-process`
  - Neural: `hawkes-process → neural-temporal-point-process → intensity-free-modeling, diffusion-based-tpp`
  - LLM: `neural-temporal-point-process → llm-based-temporal-point-process`
- **应用链**：`marked-temporal-point-process → granger-causality-tpp → tpp-applications`
- **新增概念**：13 个（全部为该论文引入的新领域概念）
- **交叉引用密度**：平均 ~3 个 outbound link per page

---

## 📚 Wiki 集成

- 新增页面：15 个（1 论文 + 13 概念 + 1 Review）
- 新增 raw 存档：1 个
- 链接完整性：100% 无断链
- 总规模：811 → 826 页
- 全新领域：TPP（时间点过程）——此前 wiki 未覆盖

---

## 💡 关键洞察

1. **三重范式统一框架**：本文首次将 Bayesian、Neural、LLM 三代 TPP 方法放在同一框架下系统比较——Bayesian 强调不确定性与严谨推理，Neural 强调表达力与可扩展性，LLM 则开启了多模态语义理解的新维度

2. **LLM-based TPP 标志范式转变**：TPP 研究正从"事件发生过程建模"（概率建模）转向"带时间戳事件数据理解"（语义理解）——这不仅仅是新模型家族，而是研究议程的扩展