面向大规模推断的多元 Hawkes 过程
机器学习
2016-02-29 v1
摘要
在本文中，我们提出了一个框架，用于拟合观测历史中事件数 和事件类型数 （即维度）均很大的大规模问题下的多元 Hawkes 过程。所提出的低秩 Hawkes 过程（LRHP）框架引入了核矩阵的低秩近似，允许使用至多 次操作来执行 个触发核的非参数学习，其中 为近似的秩（）。这相对于现有的最先进推断算法（复杂度为 ）是一个重大改进。此外，低秩近似使得 LRHP 能够学习事件类型之间交互的代表性模式，这可能对于真实世界数据集中此类复杂过程的分析具有价值。我们通过模拟和真实数据集上的数值实验说明了我们方法的效率和可扩展性。
引用
@article{arxiv.1602.08418,
title = {Multivariate Hawkes Processes for Large-scale Inference},
author = {Rémi Lemonnier and Kevin Scaman and Argyris Kalogeratos},
journal= {arXiv preprint arXiv:1602.08418},
year = {2016}
}
备注
16 pages, 5 figures