Hawkes过程的差分隐私学习

Hawkes过程因其对事件序列数据建模的通用性，近来受到机器学习界越来越多的关注。尽管其有可追溯到数十年前的丰富历史，其某些性质——例如学习参数的样本复杂度以及发布差分隐私版本——尚待彻底分析。本工作中，我们研究具有背景强度$\mu$和激励函数$\alpha e^{-\beta t}$的标准Hawkes过程。我们给出了$\mu$和$\alpha$的非隐私与差分隐私估计量，并在两种设定下获得样本复杂度结果以量化隐私代价。我们的分析利用了Hawkes过程的强混合性质以及针对弱依赖随机变量的经典中心极限定理结果。我们在合成与真实数据集上验证了理论发现。