参数化霍克斯过程的细粒度 $\epsilon$-间隔闭式稳定化

Rafael Lima

参数化霍克斯过程的细粒度 $\epsilon$-间隔闭式稳定化

机器学习 2021-05-11 v1 机器学习

作者: Rafael Lima

摘要

霍克斯过程作为对连续时间事件流中离散事件的自激和互激交互建模的默认工具已日益流行。对相应强度函数的触发核的参数化假设形式进行最大似然估计（MLE）无约束优化过程是一种广泛的具成本效益的建模策略，特别适用于具有少量和/或短序列的数据。然而，除对触发核参数有很强的假设外，MLE 优化缺乏保证，并可能导致所得参数的不稳定性。在本工作中，我们展示了一种简单的稳定化过程如何在无需这些过度限制性假设的情况下改善 MLE 优化的性能。该稳定化版本的 MLE 被证明在多种不同长度的序列上优于传统方法。

关键词

霍克斯过程最大似然估计参数化稳定化触发核事件流 $\epsilon$-间隔闭式

引用

@article{arxiv.2105.03800,
  title  = {Fine-Grained $\epsilon$-Margin Closed-Form Stabilization of Parametric Hawkes Processes},
  author = {Rafael Lima},
  journal= {arXiv preprint arXiv:2105.03800},
  year   = {2021}
}

备注

Presented as a RobustML workshop paper at ICLR 2021

参数化霍克斯过程的细粒度 $\epsilon$-间隔闭式稳定化

摘要

关键词

引用

备注

相关论文