基数正则化 Hawkes-Granger 模型

Aug, 2022

Cardinality-Regularized Hawkes-Granger Model

Tsuyoshi Idé, Georgios Kollias, Dzung T. Phan, Naoki Abe

TL;DR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。

Abstract

We propose a new sparse granger-causal learning framework for temporal event data. We focus on a specific class of point processes called the Hawkes process. We begin by pointing out that most of the existing sparse causal learning algorithms for the →

sparse granger-causal learning temporal event data hawkes process maximum likelihood estimation cardinality-regularized

发现论文，激发创造

学习 Hawkes 过程中的格兰杰因果关系

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

利用最小描述长度方法推导 Hawkes 过程中的因果关系

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

用结构霍克斯过程从离散时间事件序列中学习因果结构

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

基于图霍克斯神经网络的时序知识图谱预测

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

具有延时格兰杰因果性的 Hawkes 过程

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

多元 Hawkes 过程的图形建模与非参数链接函数

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

多元 Hawkes 过程学习网络：一种时间序列方法

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

稀疏高斯过程调制霍克斯过程的变分推断

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

从基于实例自我注意力的 Hawkes 过程中学习格兰杰因果性

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

弹性参数推断空时霍克斯过程

发展一种快速灵活的参数推理技术，以恢复涉及空间 - 时间 Hawkes 过程的强度函数中的内核函数的参数。

Jun, 2024