本文提出了一种针对时间序列的具有潜在函数模型的贝叶斯非参数泊松过程分配(BaNPPA)方法,通过模拟一个高斯过程中的函数,利用无限混合的潜在函数表示强度来自动推断潜在函数数量,随后通过变分推断算法调节潜在函数的体积来应对权重不可区分的问题,该算法高效,并且在合成和真实数据集的实验中取得了良好的效果。
May, 2017
本研究提出了一种全新的基于变分贝叶斯推断法的、用于处理连续高斯过程调制泊松过程的方案,并得出了有关神经科学、地理统计和天文学等领域的实验数据,证明这种方案具有非常高的效率和性能优势。
Nov, 2014
本文提出了第一个使用高斯过程的非参数贝叶斯模型,在不用网格化域或引入潜在稀化点的情况下对泊松点过程进行推断。我们设计了 MCMC 采样器,并展示了我们的模型在合成数据和实际数据上比竞争模型更快,更准确且生成的样本更少相关性。最后,我们证明我们的模型容易处理先前未考虑的数据规模。
Oct, 2014
利用 NB 分布与伽马分布描述速率测度,进行了计数建模和混合建模,构建了泊松 - 对数双变量分布,并通过实例结果表明了 NB 散度参数和概率参数的重要性。
Sep, 2012
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
本文提出了一种变分神经时间点过程(VNTPP),通过引入推理和生成网络,训练深度神经网络中的潜变量分布以应对时间点过程的随机特性,并利用潜变量分布计算强度函数,从而更准确地预测事件类型和到达时间,实验证明该模型可以广义地表示各种事件类型,并在合成和实际数据集上表现优异。
Feb, 2022
提出了一种负二项式随机化的伽马马尔科夫过程来建模计数数列的转换结构和爆发性动态,从而改善了动力学系统的预测性能和推理算法的快速收敛,同时估计了基于因子结构和图结构的转换动态以获得更可解释的潜在结构,比相关模型更好地填补了缺失数据和预测未来观测。
Feb, 2024
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
研究了无监督学习中的一个基本问题:学习未知的泊松二项式分布,并提出高效的算法,其时间复杂度与数据大小呈对数关系,可以学习到精度为 ε 的结果。同时,提出一个适当的学习算法来学习泊松二项式分布的加权和。
Jul, 2011
神经网络可以准确地产生需要的、与输入相关的不确定性表示,这对现实世界的应用至关重要。最近在异方差连续回归方面取得的进展显示了在复杂任务(如图像回归)上进行校准的不确定性量化的巨大潜力。然而,当将这些方法应用于离散回归任务(如人群计数、评级预测或库存估计)时,它们往往会产生具有许多病态的预测分布。我们提出通过训练神经网络输出双泊松分布的参数来解决这些问题,我们将其称为深度双泊松网络(DDPN)。与现有方法不同,它们是经过训练以最小化高斯负对数似然(NLL)的,DDPNs 会生成离散输出上的正确概率质量函数。此外,DDPNs 自然地对低、高和等离散度建模,而不像使用更严格的泊松和负二项参数化进行训练的网络。我们展示了 DDPNs:1)远远优于现有的离散模型;2)实现或超过使用高斯 NLL 进行训练的网络的准确性和灵活性;3)产生适当的离散计数的预测分布;4)具有优秀的超出分布检测能力。DDPNs 可以轻松应用于各种计数回归数据集,包括表格、图像、点云和文本数据。
Jun, 2024