多元线性霍克斯过程网络的学习：一种时间序列方法
机器学习
2016-03-15 v1 人工智能
机器学习
摘要
学习多个时间序列数据的影响结构对许多学科而言极感兴趣。本文研究在多元线性霍克斯过程网络中恢复因果结构的问题。在此类过程中，一个过程中事件的发生影响其他一些过程中新事件发生的概率。因此，在这些过程之间存在一种自然的因果概念，由激发矩阵的支持捕获。我们证明由此产生的因果影响网络等价于过程的有向信息图(DIG)，其编码了过程联合分布的因果分解。此外，我们提出一种用于学习激发矩阵支持（或等价地DIG）的算法。该算法的性能在合成的多元霍克斯网络以及股票市场与MemeTracker真实数据集上进行了评估。
引用
@article{arxiv.1603.04319,
title = {Learning Network of Multivariate Hawkes Processes: A Time Series Approach},
author = {Jalal Etesami and Negar Kiyavash and Kun Zhang and Kushagra Singhal},
journal= {arXiv preprint arXiv:1603.04319},
year = {2016}
}