神经时空点过程的模仿学习
机器学习
2021-01-25 v4 应用统计
机器学习
摘要
我们提出一种用于时空离散事件数据的新型神经嵌入时空（NEST）点过程模型，并开发了一种高效的基于模仿学习（一种强化学习）的模型拟合方法。尽管用于离散事件数据的一维时间点过程发展迅速，对此类数据时空方面的研究相对匮乏。我们的模型通过精心设计的异质高斯扩散核混合来捕捉离散事件间复杂的时空依赖，其参数由神经网络参数化。这一新核是我们模型能够捕捉复杂空间依赖模式且仍能得出可解释结果的关键，因为我们考察了高斯扩散核参数的映射。NEST 的模仿学习模型拟合比最大似然估计更鲁棒。它直接度量训练数据与模型生成数据间经验分布的散度。此外，我们的基于模仿学习的方法因与似然函数相关的奖励函数的显式刻画而具有计算效率； furthermore，由于高斯核参数化，我们模型下的似然函数具有易处理的表达。基于真实数据的实验显示了我们的方法相对于最先进方法的良好性能以及 NEST 结果良好的可解释性。
引用
@article{arxiv.1906.05467,
title = {Imitation Learning of Neural Spatio-Temporal Point Processes},
author = {Shixiang Zhu and Shuang Li and Zhigang Peng and Yao Xie},
journal= {arXiv preprint arXiv:1906.05467},
year = {2021}
}