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

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

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

提出了一种利用 self-attention 机制进行 intensity function 拟合的 self-attentive Hawkes process 方法，相较于传统的统计方法和深度循环神经网络，该方法能更好地识别时间事件之间的复杂依赖关系，并且能够捕捉更长的历史信息，可以针对多变量事件序列进行有效的复杂模式预测。

Jul, 2019

通过提出一种作为生成模型的多变量周期 Hawkes 过程模型，该模型可以捕捉人类活动的时间聚类、相互依赖结构和相互兴奋以及一周内时间周期效应。我们将这个模型应用于大规模信用卡交易数据集，并证明 MPHP 在交互事件时间分布和活动预测任务的统计适合度上超过非齐次泊松模型和 LDA。

May, 2020

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

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