基于 Wold 过程的因果交互快速估计

我们在此关注多元点过程的格兰杰因果矩阵学习任务。为完成该任务，我们的工作是首个探索使用 Wold 过程的研究。借此，我们得以开发出渐近快速的 MCMC 学习算法。令 $N$ 为事件总数、$K$ 为过程数，我们的学习算法每次迭代代价为 $O(N(\,\log(N)\,+\,\log(K)))$。这远快于当前最优方法的 $O(N^3\,K^2)$ 或 $O(K^3)$。我们称该方法为 GrangerBusca，并在九个数据集上进行了验证。相较于多数先前主要聚焦于 Memetracker 数据子集的工作，这是一项进展。在准确率方面，对于常被探索的 Memetracker 子集，GrangerBusca 的准确率（Precision@10）是当前最优方法的三倍。由于 GrangerBusca 训练复杂度低得多，我们的方法是唯一能够为更大的完整数据集训练模型的方法。