【NeurIPS2023】提示增强的时态点过程用于流事件序列

神经时态点过程（TPPs）是用于模拟连续时间事件序列的主要范式，例如网上的用户活动和金融交易。在实际应用中，事件数据通常以流方式接收，其中模式的分布可能会随时间改变。此外，在实际场景中常常观察到隐私和内存约束，进一步加剧了挑战。因此，连续监控TPP以学习流事件序列是一个重要但鲜为人知的问题。我们的工作论文通过采用连续学习（CL）来解决这一挑战，使模型能够在现实约束下连续学习一系列任务，而不会发生灾难性遗忘。相应地，我们提出了一个简单而有效的框架，PromptTPP1，通过将基础TPP与连续时间检索提示池集成。这些提示，即小的可学习参数，存储在内存空间中，并与基础TPP共同优化，确保模型可以顺序学习事件流，而无需缓冲过去的示例或任务特定属性。我们为模拟事件流提供了一个新颖且现实的实验设置，在其中，PromptTPP在三个真实用户行为数据集上始终实现了最先进的性能。