从少量事件学习霍克斯过程
机器学习
2019-11-04 v1 机器学习
摘要
学习多元霍克斯过程的因果交互网络在许多应用中都是一项有用的任务。在长观测序列存在的情况下，最大似然估计是解决该问题最常用的方法。然而，当仅有短序列可用时，数据的缺乏放大了过拟合风险，正则化变得至关重要。由于超参数调优的挑战，现有最先进方法仅以单一共享超参数参数化正则化器，从而限制了模型的表示能力。为解决这两个问题，我们在本工作中开发了基于变分期望最大化的高效算法。我们的方法能够在一组扩展的超参数上进行优化，还能够通过学习模型参数的后验分布来考虑参数的不确定性。在合成与真实数据集上的实验结果表明，在短观测序列下我们的方法显著优于最先进方法。
引用
@article{arxiv.1911.00292,
title = {Learning Hawkes Processes from a Handful of Events},
author = {Farnood Salehi and William Trouleau and Matthias Grossglauser and Patrick Thiran},
journal= {arXiv preprint arXiv:1911.00292},
year = {2019}
}
备注
Appearing at NeurIPS 2019