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

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

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

CAUSE 是一个新颖的框架，通过拟合神经点过程来隐式捕捉事件互依存关系，然后使用公理归因方法从过程中提取格兰杰因果统计量，以解决学习异步、相互依赖、多类型事件序列的格兰杰因果关系的问题。在多个数据集上，CAUSE 表现优于一系列最先进的方法，能够正确推断一系列事件类型之间的格兰杰因果关系，包括在具有不同事件互依存关系的数据集上。

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

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

使用神经网络中的 LSTM 模型通过多维点过程建模离散事件流，可实现事件预测，包括缺失数据情况下的预测。

Dec, 2016