Buchumschlag

Modeling Inter-Dependence Between Time and Mark in Multivariate Temporal Point Processes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Waghmare, Govind, Debnath, Ankur, Asthana, Siddhartha, Malhotra, Aakarsh
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Scalable Approach to Covariate and Concept Drift Management via Adaptive Data Segmentation
von: Yarabolu, Vennela, et al.
Veröffentlicht: (2024)

DNN-GDITD: Out-of-distribution detection via Deep Neural Network based Gaussian Descriptor for Imbalanced Tabular Data
von: Chudasama, Priyanka, et al.
Veröffentlicht: (2024)

Hyper Hawkes Processes: Interpretable Models of Marked Temporal Point Processes
von: Boyd, Alex, et al.
Veröffentlicht: (2025)

Marked Temporal Bayesian Flow Point Processes
von: Chen, Hui, et al.
Veröffentlicht: (2024)

Addressing Mark Imbalance in Integration-free Neural Marked Temporal Point Processes
von: Liu, Sishun, et al.
Veröffentlicht: (2025)

Conditional Generative Modeling for High-dimensional Marked Temporal Point Processes
von: Dong, Zheng, et al.
Veröffentlicht: (2023)

Preventing Conflicting Gradients in Neural Marked Temporal Point Processes
von: Bosser, Tanguy, et al.
Veröffentlicht: (2024)

Differentiable Adversarial Attacks for Marked Temporal Point Processes
von: Chakraborty, Pritish, et al.
Veröffentlicht: (2025)

Flow Matters: Directional and Expressive GNNs for Heterophilic Graphs
von: Gupta, Arman, et al.
Veröffentlicht: (2025)

Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations
von: Song, Yujee, et al.
Veröffentlicht: (2024)

Learning Marked Temporal Point Process Explanations based on Counterfactual and Factual Reasoning
von: Liu, Sishun, et al.
Veröffentlicht: (2025)

Revitalizing Multivariate Time Series Forecasting: Learnable Decomposition with Inter-Series Dependencies and Intra-Series Variations Modeling
von: Yu, Guoqi, et al.
Veröffentlicht: (2024)

ITPP: Learning Disentangled Event Dynamics in Marked Temporal Point Processes
von: Zhou, Wang-Tao, et al.
Veröffentlicht: (2025)

Efficient Graph Understanding with LLMs via Structured Context Injection
von: Waghmare, Govind, et al.
Veröffentlicht: (2025)

Bridging Discrete Marks and Continuous Dynamics: Dual-Path Cross-Interaction for Marked Temporal Point Processes
von: Liu, Yuxiang, et al.
Veröffentlicht: (2026)

Kernelized Edge Attention: Addressing Semantic Attention Blurring in Temporal Graph Neural Networks
von: Waghmare, Govind, et al.
Veröffentlicht: (2026)

Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes
von: Dheur, Victor, et al.
Veröffentlicht: (2024)

UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting
von: Liu, Juncheng, et al.
Veröffentlicht: (2024)

Marked Neural Spatio-Temporal Point Process Involving a Dynamic Graph Neural Network
von: Moallemy-Oureh, Alice, et al.
Veröffentlicht: (2022)

Multivariate Time Series Anomaly Detection by Capturing Coarse-Grained Intra- and Inter-Variate Dependencies
von: Xie, Yongzheng, et al.
Veröffentlicht: (2025)

STRGCN: Capturing Asynchronous Spatio-Temporal Dependencies for Irregular Multivariate Time Series Forecasting
von: Wang, Yulong, et al.
Veröffentlicht: (2025)

Cumulative Hazard Function Based Efficient Multivariate Temporal Point Process Learning
von: Liu, Bingqing
Veröffentlicht: (2024)

SEED: Spectral Entropy-Guided Evaluation of SpatialTemporal Dependencies for Multivariate Time Series Forecasting
von: Xiong, Feng, et al.
Veröffentlicht: (2025)

Time-Series Classification with Multivariate Statistical Dependence Features
von: Sun, Yao, et al.
Veröffentlicht: (2026)

Self-Supervised Contrastive Pre-Training for Multivariate Point Processes
von: Shou, Xiao, et al.
Veröffentlicht: (2024)

MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting
von: Cai, Wanlin, et al.
Veröffentlicht: (2023)

Neuro-Symbolic Temporal Point Processes
von: Yang, Yang, et al.
Veröffentlicht: (2024)

In-Context Learning of Temporal Point Processes with Foundation Inference Models
von: Berghaus, David, et al.
Veröffentlicht: (2025)

On Foundation Models for Temporal Point Processes to Accelerate Scientific Discovery
von: Berghaus, David, et al.
Veröffentlicht: (2025)

A Bayesian Mixture Model of Temporal Point Processes with Determinantal Point Process Prior
von: Dong, Yiwei, et al.
Veröffentlicht: (2024)

Temporal Query Network for Efficient Multivariate Time Series Forecasting
von: Lin, Shengsheng, et al.
Veröffentlicht: (2025)

Temporal Neural Operator for Modeling Time-Dependent Physical Phenomena
von: Diab, W., et al.
Veröffentlicht: (2025)

ADiff4TPP: Asynchronous Diffusion Models for Temporal Point Processes
von: Mukherjee, Amartya, et al.
Veröffentlicht: (2025)

Interpretable Neural Temporal Point Processes for Modelling Electronic Health Records
von: Liu, Bingqing
Veröffentlicht: (2024)

Add and Thin: Diffusion for Temporal Point Processes
von: Lüdke, David, et al.
Veröffentlicht: (2023)

Speculative Sampling for Parametric Temporal Point Processes
von: Biloš, Marin, et al.
Veröffentlicht: (2025)

Probabilistic Learning of Multivariate Time Series with Temporal Irregularity
von: Li, Yijun, et al.
Veröffentlicht: (2023)

ST-Hyper: Learning High-Order Dependencies Across Multiple Spatial-Temporal Scales for Multivariate Time Series Forecasting
von: Wu, Binqing, et al.
Veröffentlicht: (2025)

InvDec: Inverted Decoder for Multivariate Time Series Forecasting with Separated Temporal and Variate Modeling
von: Wang, Yuhang
Veröffentlicht: (2025)

Enhancing Multivariate Time Series Forecasting with Mutual Information-driven Cross-Variable and Temporal Modeling
von: Qi, Shiyi, et al.
Veröffentlicht: (2024)