关于 Commission 与 Omission 事件离群值的学习
机器学习
2025-01-24 v1 机器学习
摘要
事件流是现实世界中重要的数据格式。事件通常预期会随时间遵循某些规律模式。然而，这些模式可能受到意外事件缺失或发生的影响。本文采用时间点过程框架学习事件流，并提供一种简单而有效的方法来处理 commission 和 omission 事件离群值。具体而言，我们引入一种新型权重函数，动态调整每个观察事件的重要性，以便最终估计器能够获得多种统计优势。我们将所提方法与基准方法进行比较，后者在分类问题中可将事件流聚类到不同组中。理论和数值结果均确认了我们新方法的有效性。鉴于我们的方法是首次在保证条件下同时处理 commission 和 omission 离群值，故本文值得关注。
引用
@article{arxiv.2501.13599,
title = {Learning under Commission and Omission Event Outliers},
author = {Yuecheng Zhang and Guanhua Fang and Wen Yu},
journal= {arXiv preprint arXiv:2501.13599},
year = {2025}
}
备注
38 pages