基于分数匹配的神经标记时空点过程伪似然估计及不确定性量化
机器学习
2023-10-26 v1
摘要
时空点过程（STPPs）是建模和预测兼具时间与空间特征事件的强有力数学工具。尽管用途广泛，现有大多数 STPP 学习方法要么假设受限的时空分布形式，要么在似然训练目标中难以处理的积分上遭受不精确近似。这些问题通常源于概率密度函数的归一化项。此外，当前技术无法为模型预测提供不确定性量化，如预测事件到达时间的置信区间和事件位置的置信区域，而考虑到数据的显著随机性这至关重要。为应对这些挑战，我们引入 SMASH：一种基于分数匹配（Score MAtching）的伪似然（pSeudolikeliHood）估计器，用于学习带不确定性量化的标记 STPP。具体而言，我们的框架通过分数匹配估计标记 STPP 的伪似然来采用无归一化目标，并通过在生成样本上计算置信区域，为预测事件时间、位置和标记提供不确定性量化。我们提出的框架在事件预测和不确定性量化方面的优越性能通过大量实验得到证明。
引用
@article{arxiv.2310.16310,
title = {Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification},
author = {Zichong Li and Qunzhi Xu and Zhenghao Xu and Yajun Mei and Tuo Zhao and Hongyuan Zha},
journal= {arXiv preprint arXiv:2310.16310},
year = {2023}
}