myWiki/concepts/diffusion-based-tpp.md

title, created, updated, type, tags, sources

title	created	updated	type	tags	sources
扩散时间点过程 (Diffusion-based TPP)	2026-06-16	2026-06-16	concept	temporal-point-process diffusion-models generative-modeling non-autoregressive	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
• neural-temporal-point-process
• advances-temporal-point-processes-2026