从少量事件学习Hawkes过程
本研究提出一种用于Hawkes进程的Granger因果关系学习的有效方法,可通过基础函数的系数组稀疏性恢复Granger因果关系图,同时对事件类型的聚类结构具有灵活性,并在合成数据和实际数据上得到验证。
Feb, 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
提出一种基于数据合成的方法,通过对潜在候选项进行前后事件预测和拼接来综合短双重截断事件(SDC)序列,进而应用于Hawkes过程的数量异步事件序列分析问题的研究。实验结果表明该数据合成方法可用于改善固定和时间变化的Hawkes过程的学习结果。
Feb, 2017
本文提出了一种新的非参数贝叶斯 Hawkes 过程模型,使用稀疏高斯过程来建模触发核,进而通过新颖的变分推断方案,实现了模型优化的效率提升。通过使用不同的数据集进行了对比,结果表明本方法在模型选择及预测准确性方面均优于现有的频率派和贝叶斯方法。
May, 2019
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
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
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