灵活的强度函数至关重要：对 Hawkes 过程与神经时间点过程的全面重新评估

arXiv:2611.06348v1 公告类型：新论文 摘要：时间点过程（TPP）是事件序列数据的标准建模框架，应用涵盖地震学、社交媒体和电子健康记录。近期有研究报告称，神经 TPP 的性能显著优于 Hawkes 过程等经典 TPP，但这些比较将灵活的神经模型与形式受到最严格限制的 Hawkes 过程进行对比，且未考虑大规模医疗数据。在此，我们重新审视这一比较，在五个成熟的基准数据集以及两个源自 UK Biobank 疾病史和 MIMIC-IV ICU 记录的大规模医疗评估任务上，采用自回归下一事件预测，对灵活性逐步提高的 Poisson 过程和 Hawkes 过程与神经 TPP 进行系统评估。首先，一旦为 Hawkes 过程配备灵活、可学习的基线强度和核函数，此前报告的 Hawkes 过程与神经 TPP 之间的差距便基本消失。其次，强度参数化的灵活性也限制了以往的神经 TPP：配备基于样条的强度预测头的 Transformer 优于先前基于强度的神经 TPP，并与无强度模型表现相当。将对数似然分解为时间项 $\log p(t)$ 和类型项 $\log p(d \mid t)$ 后，我们发现，这种灵活性优势几乎完全体现在时间概率密度上：更高的灵活性并不能改善类型项。因此，在这些基准上，神经 TPP 的性能提升主要来自对事件何时发生的建模，而非对发生何种事件的建模。第三，我们的结果凸显了复杂数据集对于评估 TPP 的价值：只有在 MIMIC-IV ICU 记录上，神经 TPP 才能在类型项上保持优势。我们的结果为未来的方法开发和模型选择提供了参考。我们将框架 TorchPP 作为开源软件包发布，为经典 TPP 和神经 TPP 提供一致的实现。