これまでに、点過程のデータを解析するためのニューラルネットワークモデルがいくつか提案されていますが、その多くが点過程の強度関数（イベントの瞬間的な発生率）に対して特定の関数系を仮定しています。例えば、よく用いられる仮定は、強度関数は直近のイベントからの経過時間に対して指数的に減少あるいは増加するというものです。その一方で、その様な仮定をすることは、モデルの性能を大きく制限し、仮定が正しくない場合には適切に動作しないことがあります。そこで、我々はニューラルネットワークを用いた強度関数の一般的なモデルを提案しました。我々の方法ではまず、強度関数を積分した累積強度関数をフィードフォワード型のニューラルネットワークを用いてモデル化し、その次にそれを微分することにより強度関数を得ます。この手法により、一般的な強度関数のモデルを得ることができるだけでなく、強度関数の積分を含むモデルの対数尤度関数を数値的な近似を用いずに厳密に得ることができ、効率的な推定が可能になりました。我々の方法は既存の研究と比べて、様々な数値データや実データにおいて、予測性能が大幅に改善されることがわかりました。[Arxiv]