用于从离散时间事件序列学习因果结构的结构化霍克斯过程

从离散时间事件序列中学习事件类型之间的因果结构是一项尤为重要但具有挑战性的任务。现有方法（如基于多元霍克斯过程的方法）大多归结为学习所谓的格兰杰因果性，其假设原因事件严格先于其结果事件发生。这一假设在应用之外往往难以成立，尤其是在处理低分辨率的离散时间事件序列时；而典型的离散霍克斯过程主要受制于由瞬时效应引起的可辨识性问题，即由于低分辨率数据而同时发生的因果关系无法被格兰杰因果性所捕捉。在本工作中，我们提出结构霍克斯过程（SHPs），利用瞬时效应来学习离散时间事件序列中事件类型间的因果结构。所提方法的特点是对似然函数进行极小化-极大化以及一种稀疏优化方案。理论结果表明，瞬时效应是福音而非诅咒，且在存在瞬时效应的情况下因果结构是可辨识的。在合成与真实数据上的实验验证了所提方法的有效性。