From Hawkes Processes to Attention: Time-Modulated Mechanisms for Event Sequences
从 Hawkes 过程到注意力：事件序列的时间调制机制AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确提出该机制可用于时间序列预测，因此对应预测方法；医疗、社会和金融等领域只是所列的一般背景。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
从 Hawkes 过程到注意力：事件序列的时间调制机制
- 研究问题
- 现有 Transformer 主要依靠位置编码引入时间信息时，如何更充分捕捉事件序列中异质且依类型变化的时间影响？
- 方法与思路
- 作者从多变量 Hawkes 过程推导注意力算子，用各类型可学习的神经核调制查询、键和值投影，联合学习时间与内容交互。
- 材料陈述的贡献
- 摘要称 Hawkes Attention 能学习事件类型特定的激发模式，实验表现优于基准，并可扩展用于时间序列预测等结构。
- 阅读关注点
- 核对 Hawkes 理论与注意力算子的对应关系、神经核限制和训练目标，并检查基准比较、消融实验及预测扩展的实际验证。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未提供数据集、指标或性能幅度，也未说明具体经济金融应用结果。
原文摘要
Marked Temporal Point Processes (MTPPs) arise naturally in medical, social, commercial, and financial domains. However, existing Transformer-based methods mostly inject temporal information only via positional encodings, relying on shared or parametric decay structures, which limits their ability to capture heterogeneous and type-specific temporal effects. Inspired by this observation, we derive a novel attention operator called Hawkes Attention from the multivariate Hawkes process theory for MTPP, using learnable per-type neural kernels to modulate query, key and value projections, thereby replacing the corresponding parts in the traditional attention. Benefited from the design, Hawkes Attention unifies event timing and content interaction, learning both the time-relevant behavior and type-specific excitation patterns from the data. The experimental results show that our method achieves better performance compared to the baselines. In addition to the general MTPP, our attention mechanism can also be easily applied to specific temporal structures, such as time series forecasting.