激励点过程网络的可扩展贝叶斯推断
机器学习
2015-07-14 v1
摘要
网络捕捉了我们关于世界中关系的直觉。它们描述了 Facebook 用户之间的友谊、金融市场中的交互以及连接大脑中神经元的突触。这些网络结构丰富，包含朋友圈、股票板块以及决定神经元如何连接的各种细胞类型。有些网络，如社交网络友谊，可以直接观察，但在许多情况下，我们只能通过其组成部分的行为以及对网络如何介导该活动的理解来间接观察网络。在这项工作中，我们专注于潜在网络发现问题，其中可观测活动采取一种称为 Hawkes 过程的互激励点过程形式。我们基于先前对该问题采用贝叶斯方法的工作，指定了潜在网络结构上的先验分布以及给定该网络下观测活动的似然。我们通过提出离散时间公式并开发一种计算高效的随机变分推断 (SVI) 算法来扩展这项工作，该算法使我们能够将方法扩展到长观测序列。我们在 Chalearn 神经连接组学挑战赛中使用的钙成像数据上演示了我们的算法。
引用
@article{arxiv.1507.03228,
title = {Scalable Bayesian Inference for Excitatory Point Process Networks},
author = {Scott W. Linderman and Ryan P. Adams},
journal= {arXiv preprint arXiv:1507.03228},
year = {2015}
}