研究人员开发了EventNMF，这是一种新颖的连续时间非负矩阵分解模型，旨在直接分析事件数据。与需要分箱或平滑的先前方法不同，EventNMF直接在原始事件时间上运行，保留了细粒度的时间特征和实体级别的异质性。该模型使用泊松过程框架和非负B样条基来揭示实体之间共享的时间模板，为神经科学和社交网络等领域的应用提供了数学上合理、高效且易于实现的解决方案。 AI
影响 引入了一种更精确的时间事件数据分析方法，有可能改进依赖此类数据的领域的模型。
排序理由 该集群包含一篇详细介绍事件数据分析新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.06205v1 Announce Type: new Abstract: Continuous-time event data, in which entities emit instantaneous events over time, arises naturally across many domains such as neuroscience, seismology, and social networks. Non-negative matrix factorization (NMF) is a natural tool…
Continuous-time event data, in which entities emit instantaneous events over time, arises naturally across many domains such as neuroscience, seismology, and social networks. Non-negative matrix factorization (NMF) is a natural tool to uncover interpretable structure in such data…