本文提出了一种高效的 Hawkes 过程核函数的非参数贝叶斯估计方法，通过两种算法实现了灵活的 Hawkes 触发核推断，并在 Twitter 扩散数据集上取得了理论和实证结果上的优越性。

Oct, 2018

本章介绍了点过程、特别是霍克斯过程，用于对连续时间上的离散、相互依赖的事件进行建模。我们介绍了霍克斯过程及其事件强度函数、事件模拟和参数估计方案，并描述了一个基于社交媒体数据的实际例子。我们提出了内存核的设计方法，以及如何估计参数和预测流行度的结果。代码和示例事件数据作为在线附录提供。

Aug, 2017

本文提出了一种基于 VAR ($p$) 模型的自回归方法，用于非参数估计多元 Hawkes 点过程中的事件计数，并将其应用于金融交易数据的双变量事件流分析，揭示了限价单和市场单之间引人注目的不对称关系。

Sep, 2015

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

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

使用神经网络中的 LSTM 模型通过多维点过程建模离散事件流，可实现事件预测，包括缺失数据情况下的预测。

Dec, 2016

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

本文介绍了如何利用稳定化过程改进最大似然估计的性能，以更好地建模离散事件在连续时间事件流中的相互作用，从而提高传统方法在多序列数据上的表现。

May, 2021

本文提出了一种用于短期时间依赖检测的鲁棒计算方法，该方法使用不依赖于异质性目标 HP 的交互 HP 的异质性强度，取消了异质性强度的先验估计，并在神经科学中得到了显着的新应用，实验结果表明该方法比现有方法表现更优。

May, 2023