分享主题

神经霍克斯过程：一个基于神经网络的自调节多变量点过程

分享内容

对连续时间上的离散事件进行建模，一直是一个非常重要的研究方向：发现事件中广泛而复杂的影响关系，可以帮助我们准确地预测未来事件的类型和发生时间。在这篇NIPS文章中，作者设计了一个基于神经网络的点过程模型，并通过一个continuous-time LSTM增强了该模型在连续时间上的表达和泛化能力。实验结果充分证实了所提出的模型的良好性能。

分享人

梅洪源 ，JHU CS系二年级博士生，导师Jason Eisner教授。 他的研究兴趣在于机器学习和自然语言处理。 在此之前，他曾在芝加哥大学自然科学学院获得硕士学位，并在华中科技大学电子信息工程系获得学士学位。他曾在微软研究院和丰田技术研究所实习。

分享时间

10月12日周四晚8点