IJCAIMay, 2023

用结构霍克斯过程从离散时间事件序列中学习因果结构

PDF
TL;DR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。
causal structureevent sequencesstructure hawkes processesinstantaneous effectidentifiability issues
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

  • 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

  • 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

  • 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

  • 带有 Hawkes 进程的异构事件动态下的短期时间依赖检测

    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

  • 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

  • 基数正则化 Hawkes-Granger 模型

    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

  • 自我关注 Hawkes 过程

    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

  • 从短双重截断事件序列学习霍克斯过程

    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

  • 基于 Hawkes 过程的狄利克雷混合模型用于事件序列聚类

    本研究提出了一种有效的基于 Hawkes 过程的 Dirichlet 混合模型方法来解决事件序列聚类问题，并通过 EM 算法的内外迭代进行分析和学习，演示了该方法的优越性和稳健性。

    Jan, 2017