共轨贝叶斯两步变点检测方法用于霍克斯过程
机器学习
2024-10-16 v4 机器学习
摘要
贝叶斯两步变点检测方法因其简单直观而在霍克斯过程中广受欢迎。然而，点过程似然与先验之间存在非共轨关系，导致大多数现有贝叶斯两步变点检测方法依赖于非共轨推断方法。这些方法缺乏解析表达式，导致计算效率低下，阻碍及时变点检测。为此本文采用数据增强技术，提出一种用于霍克斯过程的共轨贝叶斯两步变点检测方法，该方法在准确性和效率方面均表现优异。大量实验在合成数据和真实数据上均表明，我们的方法在基线方法之上具有卓越的有效性和效率。此外，我们开展了消融研究，以探讨该方法在各种超参数下的鲁棒性。我们的代码已公开于 https://github.com/Aurora2050/CoBay-CPD。
引用
@article{arxiv.2409.17591,
title = {Conjugate Bayesian Two-step Change Point Detection for Hawkes Process},
author = {Zeyue Zhang and Xiaoling Lu and Feng Zhou},
journal= {arXiv preprint arXiv:2409.17591},
year = {2024}
}
备注
10 pages, accepted by NeurIPS 2024