Wir entwickeln einen allgemeinen Rahmen zur effizienten probabilistischen Modellierung von Ereignissequenzen mit mengenwertigem Markierungen, der mit beliebigen intensitätsbasierten rekurrenten neuronalen Punktprozessmodellen kompatibel ist. Darüber hinaus entwickeln wir Inferenzmethoden, die solche Modelle nutzen können, um probabilistische Abfragen wie "die Wahrscheinlichkeit, dass Gegenstand A vor Gegenstand B beobachtet wird" zu beantworten.
Casper ist ein neuartiges kausalitätsbewusstes spatiotemporales Graph-Neuronales-Netzwerk, das die Auswirkungen unbekannter Störgrößen bei der Imputation von spatiotemporalen Zeitreihen effektiv reduziert und die kausalen Beziehungen zwischen Eingaben und Ausgaben explizit aufdeckt.