真实性与准确性：生成建模视角下的事件序列预测
Realism VS Accuracy: Event Sequence Forecasting from a Generative Modeling Perspective
精选理由
为事件序列预测提供兼顾准确性与分布真实性的评测基准，并展示如何将生成模型的真实性转化为预测精度。
AI 摘要
arXiv:2610.12586v1 公告类型：新论文 摘要：事件序列是由随机事件构成的链，其中每个事件都由异构特征（数值型和类别型）描述。事件序列预测问题广泛存在于金融、医疗、业务流程智能等领域。在本研究中，我们将事件序列的多预测跨度预测视为一个条件生成建模问题。我们不仅评估预测的准确性，还评估其分布真实性。为此，我们提出了一个基准，涵盖衡量这两个质量维度的指标、强大的统计基线方法、从相邻领域改编的近期模型，以及经过精心整理的真实世界数据集。细致的评估表明，没有任何方法能在准确性和真实性两方面均表现优异，这凸显了两者之间的根本性权衡。最后，我们提出了 Wasserstein BaryBooster，该算法将真实性表现出色的扩散模型生成的样本进行聚合，构建出达到当前最先进水平的预测器，证明分布真实性可以转化为预测准确性。代码可在 https://github.com/xaosina/event-sequence-forecasting 获取。