May, 2023

带有 Hawkes 进程的异构事件动态下的短期时间依赖检测

PDF
TL;DR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。
发现论文，激发创造
  • 大规模学习多元 Hawkes 过程

    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

  • 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

  • 最小信息长度下的多元 Hawkes 过程格兰杰因果推理

    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

  • 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

  • 参数较差的 ε 边界闭式稳定化霍克斯过程

    本文介绍了如何利用稳定化过程改进最大似然估计的性能，以更好地建模离散事件在连续时间事件流中的相互作用，从而提高传统方法在多序列数据上的表现。

    May, 2021

  • 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

  • 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

  • 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

  • Transformer 霍克斯过程

    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