事件序列预测的准确率与真实感难以兼得：把扩散模型的多条采样聚成一条，TMS 反超专用预测器
导语
事件序列预测被当作条件生成问题后，准确率与分布真实感出现明显取舍：扩散模型采样经 Wasserstein BaryBooster 聚合，在三个银行卡交易数据集上取得最高 TMS，同时保留非平凡的 cDFS。
正文
事件序列预测被重新表述为条件生成问题，评价同时看预测准确率和分布真实感两个维度。 此前的事件序列评价几乎只关注预测准确率，真实感被忽略。 在三个银行卡交易数据集上，准确率高的方法真实感低，反之亦然，没有方法在两个维度上同时领先。
聚合扩散模型的多条采样可以换回准确率。 扩散模型本身准确率不高，但真实感强。 Wasserstein BaryBooster 把 LDM 的采样聚成一条后，在 Alphabattle、Gender、Age 上 TMS 分别为 0.495、0.436、0.522，高于 DEF 的 0.424、0.413、0.508，同时 cDFS 仍为 0.177、0.256、0.224。
方法把一条预测当作多条采样的重心来求解。 此前生成模型的多条采样只被当作分布，没有被压成单条预测。 在 TMS 下交替优化对齐与聚合，对齐用匈牙利匹配，数值与时间取中位数、类别取众数，无需重新训练。
接下来
这套基准面向长时域事件序列预测，事件带时间戳以及数值和类别混合特征，评价对象是给定历史后的未来延续。三个主数据集都是银行卡交易记录，事件至少包含时间戳、交易金额和商户类别码。作者另外在两个非交易的点过程语料 Retweet 和 Amazon 上做了压力测试，两者序列更少更短，每个事件只有时间戳和一个类别标记。
作者说明实证研究使用的数据集数量较少，且集中在银行卡交易；受数据质量和模式兼容性限制，最终语料池有限。Wasserstein BaryBooster 在推理时需要生成多条候选轨迹并迭代求解重心聚合，计算开销明显，在延迟敏感或资源受限的部署中可能难以承受；不过这是推理时的选择，取 5 条采样即可拿到约六成的 TMS 增益，采样成本降到六分之一，且采样可跨 GPU 并行。