罪案和安全数据中多源聚类的建模与估计
本研究提出了一种有效的基于 Hawkes 过程的 Dirichlet 混合模型方法来解决事件序列聚类问题,并通过 EM 算法的内外迭代进行分析和学习,演示了该方法的优越性和稳健性。
Jan, 2017
本研究通过结合多个不同参数的 SEIR 模型的流行病曲线,生成了三个复杂的流行病情景,并考察了流行病学参数估计的目前现状和局限性,结果表明忽略数据生成过程中的复杂性和异质性会掩盖底层地理和人口特定的流行病动态。
Jun, 2021
研究了在线信息传播建模的统计工具,发现在 Hawkes 模型中,扩展事件的频率与 SIR 模型中的新感染率相同,并导出了 HawkesN 的级联大小分布。
Nov, 2017
通过将自激励水平视为随机微分方程,我们提出了对 Hawkes 过程的扩展,该新点过程允许更好地逼近事件和强度相互加速且传染性相关水平的应用领域。我们推广了一种最近用于模拟具有随机激发水平的 Hawkes 过程的算法,并提出了混合马尔可夫链蒙特卡罗方法来拟合模型。我们的采样过程与所需事件的数量呈线性比例,并且不需要点过程的平稳性。我们提出了一种由 Gibbs 和 Metropolis Hastings 步骤组合而成的模块化推断过程。我们将期望最大化作为特例。这种一般方法是通过几何布朗运动和指数朗之万动力学的传染研究进行了说明。
Sep, 2016
本文提出了一种名为动态 Hawkes 过程(DHP)的方法,它能够捕捉事件扩散背后的社区状态演化规律,并基于演化规律预测事件的发生。与其他五种采用的事件预测方法相比,DHP 的实验表现更加优异。
May, 2021
本文研究了多个时间序列数据的影响结构的问题,通过对多元线性 Hawkes 过程的网络还原因果结构,并提出了算法来学习支持兴奋矩阵,最终在合成的多元 Hawkes 网络,股票市场和 MemeTracker 的真实数据集上进行了评估。
Mar, 2016
该研究发展了一个连续时间概率模型以用于监测危重患者的生理数据,并对这些患者进行风险预测,该模型的预测结果优于目前的医疗风险评分和其他基线机器学习算法。
May, 2017
提出了一种用于同时多事件预测的新神经结构,利用 transformers、normalizing flows 和 probabilistic layers,以实现 spatio-temporal Hawkes 过程的批量复杂历史相关的未来离散事件分布预测,取得了包括南加州地震,Citibike,Covid-19 和 Hawkes 合成风车数据集在内的各种基准数据集的最新性能。
Nov, 2022