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

提供一种数值方法，可在对称多元 Hawkes 过程中非参数估计核形状，并通过 1D 或 2D Hawkes 过程对高频金融价格数据建模，发现具有长记忆性的自我激励现象的核形状符合慢衰减（幂律）形状。

Dec, 2011

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

本文提出了一种使用 Wiener-Hopf 积分方程系统进行 Hawkes 核矩阵的非参数估计的方法，并描述了这个步骤。作者进行了系统的研究，给出了不同维度（1 到 3）Hawkes 过程的数值估算和一个高频交易和地震时空统计的事件数据的应用案例比较。

Jan, 2014

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

提出了一种用于同时多事件预测的新神经结构，利用 transformers、normalizing flows 和 probabilistic layers，以实现 spatio-temporal Hawkes 过程的批量复杂历史相关的未来离散事件分布预测，取得了包括南加州地震，Citibike，Covid-19 和 Hawkes 合成风车数据集在内的各种基准数据集的最新性能。

Nov, 2022

本文提出了一种名为动态 Hawkes 过程（DHP）的方法，它能够捕捉事件扩散背后的社区状态演化规律，并基于演化规律预测事件的发生。与其他五种采用的事件预测方法相比，DHP 的实验表现更加优异。

May, 2021

本文介绍了一种基于核函数和克里格 - Kalman 滤波器的图信号重建方法，其结合多核心选择模块，来优化信号动态变化下的核函数选择和同时减少计算复杂度，实验结果表明，该方法在信号重建方面优于现有的最新算法。

Nov, 2017

本论文提出了一种新的基于核函数的图函数重建框架，该框架能够适应时间演化拓扑下的时变函数，并提供了两种互补强度的时空核构造指南，同时引入了批处理和在线估计方法，以及一种新型的核卡尔曼滤波方法，数值测试显示与竞争方法相比，该方法具有显著优势。

Dec, 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