3.4 KiB
3.4 KiB
title, created, updated, type, tags, sources
| title | created | updated | type | tags | sources | ||||
|---|---|---|---|---|---|---|---|---|---|
| Review: Advances in Temporal Point Processes | 2026-06-16 | 2026-06-16 | review |
|
|
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
- temporal-point-process — 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
- conditional-intensity-function — TPP 的核心数学工具，描述给定历史下事件发生的瞬时速率
- hawkes-process — 自激励过程，"过去事件增加未来事件概率"
- neural-temporal-point-process — RNN → Transformer → Diffusion 三代架构演进，四种参数化选择
- bayesian-nonparametric-tpp — GP 先验替代固定参数形式，兼具灵活性与不确定性量化
- llm-based-temporal-point-process — LLM-inspired (PromptTPP/LAMP) vs Direct Integration (TPP-LLM/Language-TPP)
- marked-temporal-point-process — 多类型事件，Granger 因果发现的数学基础
- granger-causality-tpp — 从事件序列推断事件类型间的因果结构
- intensity-free-modeling — 绕过强度积分的参数化策略（密度/累积强度/逆 CDF）
- diffusion-based-tpp — 非自回归生成，批量化长程预测
- tpp-training-methods — MLE vs Wasserstein vs NCE vs Score Matching 的统计-计算权衡
- tpp-applications — 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
- Bayesian:
- 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
-
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
-
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