本文提出了一个新的稀疏 Granger 因果学习框架，用于处理时间事件数据，聚焦于 Hawkes process，根据一个基于基数规范化的 Hawkes process 的数学定义，提出了一个数学上严谨的稀疏 Granger 因果学习框架，旨在解决现有方法中存在的一些问题。本文的算法应用于实例 - wise 因果事件分析，其中稀疏性发挥了关键作用。该框架在电力网和云数据中心管理领域进行了两个实际案例的验证。

Aug, 2022

本文提出了用 MDL 算法推导多维 Hawkes 过程网络的因果关系，同时在金融数据实验中表现出优异性能。

Jun, 2022

本文提出了 Structure Hawkes Processes (SHPs) 用于从离散时间事件序列中学习事件类型之间的因果结构，利用瞬时效应解决因果关系同步发生的识别问题，并通过理论和实验结果验证了该方法的有效性。

May, 2023

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

我们旨在基于多元 Hawkes 过程明确地建模滞后的 Granger 因果效应。通过模拟滞后参数的后验分布来推断时间滞后，我们进一步研究了一个复杂环境下的模型估计方法，该方法对于事件预测和时间滞后推断的准确性在合成和真实数据上取得了良好的结果。

Aug, 2023

我们提出了一种新的深度学习框架，Instance-wise 自注意力 Hawkes 过程（ISAHP），可以直接推断事件实例级别的 Granger 因果关系，ISAHP 是满足 Granger 因果关系要求的第一个神经点过程模型。

Feb, 2024

该论文介绍了一种基于 Hawkes 模型的多变量点过程，展示了该过程的 Granger 因果结构完全被该模型的相应链接函数所编码；并提出了一种基于无限阶自回归的时间离散版本的点过程的链接函数的新的非参数估计器，应用于模拟数据和大鼠脊髓背角的神经脉冲数据，并验证了该估计器的一致性。

May, 2016

作者们提出了一种名为 Graph Hawkes Neural Network 的方法，可以用来建模动态图序列中的事件发生，同时还可以预测未来事件发生的时间和类型。实验证明，该方法对于大规模的时态多关系数据库非常有效，例如时间知识图谱。

Mar, 2020

多元 Hawkes 过程是一种灵活的概率工具，用于对各种现实生活现象进行建模；本文关注指数衰减核的多元 Hawkes 过程，并通过最小信息长度原则提出了一种优化准则和模型选择算法来估计其组成部分之间的 Granger 因果关系的连通性图；通过数值研究，将该方法与其他相关方法进行了比较，在特定的稀疏图设置中获得了最高的 F1 得分；同时，通过对 G7 主权债券数据进行分析，得到了与文献中专家知识一致的因果关系。

Sep, 2023

本文提出一种基于变分期望最大化算法的有效算法，用于解决多元 Hawkes 过程的因果交互网络学习问题，可以优化超参数并考虑模型参数的不确定性，实验结果表明在短观测序列下优于现有最先进的方法。

Nov, 2019