自我关注 Hawkes 过程
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
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
提出了一种基于 Transformer 和 Hawkes 过程的模型(THP),能够更好地捕捉事件序列数据中的短期和长期时间依赖关系,并能够通过集成结构性知识来改善预测表现。
Feb, 2020
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
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
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
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
本文提出了一种新的模型和计算方法,通过利用真实世界扩散过程中的特征稀疏性,克服了 Multivariate Hawkes Processes 在规模上的限制,并在合成和真实数据集上取得了最先进的预测结果,同时提高了运行时间性能。 结合易于解释的潜在变量和影响结构,这使我们能够在以前无法达到的规模上分析扩散过程。
Feb, 2020
研究了 Hawkes 过程对生成突发事件序列的基础属性,然后将该模型适用于日本公司办公室中的对话序列数据,估计了个体之间自己兴奋、基础事件率和它的时间衰减的相对大小。同时指出该模型的重要局限性在于无法独立调节事件间隔的相关性和突发性。
May, 2012