基数正则化Hawkes-Granger模型

我们提出一种针对时序事件数据的新的稀疏Granger因果学习框架。我们关注一类称为Hawkes过程的点过程。我们首先指出，现有大多数针对Hawkes过程的稀疏因果学习算法在极大似然估计中存在奇异性。因此，它们的稀疏解可能仅作为数值假象出现。本文中，我们提出一种基于基数正则化Hawkes过程的数学上定义良好的稀疏因果学习框架，其修正了现有方法的病态问题。我们利用所提算法进行实例级因果事件分析任务，其中稀疏性起关键作用。我们用两个真实用例验证该框架，其一来自电网，另一来自云数据中心管理领域。