分类分布作为神经网络输出在事件预测中的有效性研究

摘要

本研究证明了使用简单的神经网络输出——分类概率分布在下一脉冲预测任务中的有效性。该案例研究促使我们深入探究为何这种简单的输出结构在神经时间点过程模型中并不常用。研究发现，许多用于评估时间点过程模型的现有数据集并未充分揭示底层事件生成过程的信息，且许多现有模型的良好性能源于模型大小的正则化效应和输出结构的约束。为了在信息受限机制之外进行探索，研究扩展了现有数据集并创建了新数据集，发现输出简单的分类分布在多种数据集上都具有竞争力。

研究背景

神经时间点过程模型在事件预测领域具有重要应用，但当前模型的输出结构往往过于复杂。本研究提出使用分类概率分布作为神经网络输出，通过实证分析验证其有效性。

方法

• 采用分类概率分布作为神经网络输出层
• 在多个时间点过程数据集上进行对比实验
• 扩展现有数据集以突破信息限制机制
• 评估模型在多种场景下的预测性能

实验结果

研究显示：

• 分类分布输出在32页论文描述的26个实验场景中表现稳定
• 在信息有限的数据集上，简单输出结构与复杂模型性能相当
• 在新创建的数据集上，分类分布输出展现出竞争优势

结论

简单的分类概率分布作为神经网络输出在事件预测任务中具有显著效果，这一发现对简化模型结构、提高计算效率具有重要指导意义。研究结果为时间点过程模型的输出设计提供了新的思路。

论文编号：arXiv:2507.21616
研究领域：机器学习(cs.LG)
提交日期：2025年7月29日