Intensity-free Integral-based Learning of Marked Temporal Point Processes
STEM College(STEM学院);RMIT University(皇家墨尔本理工大学)
本文提出无强度基于积分的过程IFIB,直接建模标记时间点过程的条件联合概率密度函数,无需预定义强度函数,并在真实与合成数据集上取得优越效果。
2023-08-07 cs.LG stat.ML
Point processes on directed linear network
本文考虑有向线性网络上的点过程,即有相关方向的线性网络。我们适应所谓的条件强度函数用于指定点过程的时间线上的设置有向线性网络。对于这样一个条件强度函数指定的模型,我们推导出一个明确的表达式的似然函数,指定两个模拟算法(逆方法和绪方的修改细化算法),并考虑通过使用残差模型检查的方法。我们还将结果和方法推广到有向线性网络上的标值点过程的情形。此外,我们考虑特定类别的点过程模型的有向线性网络(泊松过程,霍克斯过程,非线性霍克斯过程,自校正过程,并标记霍克斯过程),所有改编自著名的模型在时间设置。最后,我们将结果和方法应用于分析模拟和神经数据。
2019-01-02 math.ST stat.TH
Patent Citation Dynamics Modeling via Multi-Attention Recurrent Networks
Virginia Tech(弗吉尼亚理工学院)
建模和预测专利的前向引用是发现新兴技术和衡量发明进步脉搏的中心任务。传统的方法预测这些前向引文投的时间点过程,依赖于先前收到的引文的条件强度的分析的问题。最近的方法模型的条件强度作为一个循环神经网络链捕捉记忆依赖,希望减少强度函数的参数形式的限制。对于专利引用的问题,我们观察到,预测专利的引用链不仅受益于专利的历史本身,而且还从与该专利相关的受让人和发明人的历史引用。在本文中,我们提出了一个序列到序列模型,采用注意力的注意力机制来捕捉这些多个时间序列的依赖关系。此外,该模型能够预测专利的下一次引用的时间戳和类别。在从USPTO收集的大型专利引文数据集上进行的大量实验表明,该模型在前向引文预测方面优于最先进的模型。
2019-05-22 cs.DL cs.LG stat.ML
Variational estimators for the parameters of Gibbs point process models
本文提出了一种新的估计技术,拟合参数吉布斯点过程模型的空间点模式数据集。该技术是一个对应的,空间点过程,变分估计马尔可夫随机场开发的阿尔梅达和Gidas。该估计不要求点过程密度是遗传的,因此它适用于不具有条件强度的模型,包括表现出几何规则性或刚性的模型。缺点是强度参数无法估计:推断有效地取决于观察到的点数。新的过程比现有技术更快和更稳定,因为它不需要模拟、数值积分或关于参数的优化。
2013-07-23 math.ST stat.TH
Pairwise interaction function estimation of Gibbs point processes using basis expansion
吉布斯点过程类(GPP)是一个大类的空间点过程,能够模拟集群和排斥点模式。它们由它们的条件强度指定,对于点模式$\mathbf{x}$和位置$u$,粗略地说,在给定配置的其余部分是$\mathbf{x}$的情况下,事件发生在$u$周围的无穷小球中的概率。最简单和自然的一类模型是成对相互作用点过程,其中条件强度取决于点的数量和它们之间的成对距离。本文研究了两两交互作用函数的非参数估计问题。我们建议估计它使用一个正交级数展开的对数。这种方法与现有方法相比具有许多优点。估计过程简单、快速,完全由数据驱动。我们提供的渐近性质,如一致性和渐近正态性,并通过模拟实验,并说明它与几个数据集的过程的效率。
2023-01-06 math.ST stat.TH
Conditional Generative Modeling for High-dimensional Marked Temporal Point Processes
Amazon(亚马逊);Carnegie Mellon University(卡内基梅隆大学)
针对高维标记点过程建模中表征能力受限和计算挑战的问题,提出了一种基于条件生成器的事件生成框架,无需显式指定条件强度或概率密度,能高效捕获复杂动态并生成高质量后续事件,实验证明性能优于现有基线。
2025-01-18 cs.LG stat.ML
Projected Wasserstein-Fisher-Rao Flows for Hawkes Background-Intensity Estimation
Facultad de Ciencias, Universidad Autónoma de México(墨西哥国立自治大学理学院);Department of Probability and Statistics, Centro de Investigación en Matemáticas A.C.(数学研究中心概率与统计系)
针对触发机制已知的霍克斯过程背景强度估计问题,提出基于Wasserstein-Fisher-Rao几何的似然变分方法,通过投影到统计流形得到有限维方案,建立了可测估计量的条件一致性定理。
2026-10-15 cs.LG stat.ML
Statistical learning and cross-validation for point processes
本文提出了一般空间中点过程的第一个一般(监督)统计学习框架。我们的方法是基于两个新概念的组合,我们在论文中定义:i)双变量创新,这是两个点过程之间的差异/预测精度的度量,以及ii)点过程交叉验证(CV),我们在这里通过点过程细化定义。一般的想法是通过使用相应的训练集预测CV生成的验证集来进行拟合;通过双变量创新来测量我们最小化的预测误差。在建立了我们的双变量创新的各种理论属性,我们详细研究的情况下,CV程序是通过独立的细化,我们应用我们的统计学习方法,三个典型的空间统计设置,即参数强度估计,非参数强度估计和Papangelou条件强度拟合。除了导出与这些情况相关的理论特性外,在每种情况下,我们都用数字表明,我们的统计学习方法在平均(积分)平方误差方面优于最先进的方法。
2021-03-01 math.ST stat.ME stat.ML
An Empirical Study: Extensive Deep Temporal Point Process
Zhejiang University(浙江大学);Westlake University(西湖大学)
本文回顾深度时间点过程建模的四大难点,扩展历史编码器与条件强度函数族,并提出基于变分推断的Granger因果发现框架,通过离散图结构学习揭示多类型事件潜在关系,显著提升拟合与预测性能。
2024-12-24 cs.LG stat.AP stat.ME
A recursive point process model for infectious diseases
引入一种新的点过程模型来描述传染病的发病率。该模型是霍克斯自激过程的一个变种,表现出类似的聚类,但没有限制,描述传染的组件必须保持静态随着时间的推移。相反,我们提出的模型规定,传染的程度(或生产率)的变化作为一个功能的条件强度;特别感兴趣的是特殊情况下,生产率是成反比的条件强度。该模型纳入了这样一个前提,即当疾病在人群中发生的频率非常低时,例如在爆发的初级阶段,那么任何患有疾病的人都可能有很高的传染率,而当疾病在人群中流行时,那么,由于人类的缓解行动和预防措施以及相对较高的先前暴露百分比,总人口。该模型被称为递归的,在这个意义上,在任何特定时间的条件强度取决于与先前点相关的生产率,而这种生产率又取决于这些点的条件强度。推导了模型的一些基本性质,讨论了估计和模拟,并显示递归模型与加利福尼亚州洛杉矶麻疹的历史数据拟合良好,这是2017年该疾病在同一地区爆发的相关示例。
2017-03-23 stat.ME
Ergodicity and scaling limit of a constrained multivariate Hawkes process
我们引入了一个多变量的Hawkes过程的约束,其条件密度。它是一个多变量点过程,其条件强度类似于多变量Hawkes过程,但某些事件相对于多维约束变量的边界条件是禁止的,其演化由点过程驱动。我们研究这个过程中的特殊情况下,生育率函数是指数,使该过程完全由一个基本的马尔可夫链,其中包括约束变量描述。建立了链参数的遍历性条件。此外,标度极限的积分点过程。本研究的主要动机是随机建模的限价订单簿的高频金融数据分析。
2014-02-13 q-fin.CP q-fin.TR stat.AP
Residual analysis methods for space--time point processes with applications to earthquake forecast models in California
现代,强大的技术的残差分析的时空点过程模型进行了审查和比较。这些方法被应用到加州地震预测模型中使用的地震可预测性研究合作实验室(CSEP)。这些地震预测模型的评估以前已经使用简单的,低功耗的手段,如L-测试和N-测试。相反,我们提出了基于重新缩放,细化,叠加,加权K函数和偏差残差的残差方法。重缩放残差可用于评估模型的总体拟合,但与细化和叠加一样,当条件强度$λ$不稳定时,重缩放通常不切实际。虽然残余细化和叠加可能有助于识别模型拟合不佳的空间位置,但当建模的条件强度假设在观测区域的某个地方极低或极高时,这些方法的能力有限,这通常是地震预测模型的情况。最近提出的细化和叠加的混合方法,称为超细化,是一个更强大的替代方案。
2012-02-29 physics.geo-ph stat.AP
Gaussian ARMA models in the ts.extend package
本文介绍并描述了R软件包ts.extend,它增加了平稳高斯ARMA模型的概率函数和时间序列的相关效用函数。我们将展示如何使用该软件包来计算此类模型的密度和分布函数,并从该模型生成随机向量。该软件包允许用户使用边缘或条件模型,使用简单的语法来调节变量和边缘化元素。这允许用户模拟来自任何平稳高斯ARMA模型的时间序列向量,即使某些元素是条件值或省略值。我们还展示了如何使用该软件包来计算时间序列向量的谱强度,并实现时间序列向量的置换谱测试来检测周期信号的存在。
2021-09-25 stat.CO
Modelling sparsity, heterogeneity, reciprocity and community structure in temporal interaction data
我们提出了一类新的网络模型的时间二元交互数据。我们的目标是捕捉一些重要的特征,经常观察到的社会互动:稀疏性,度异质性,社区结构和互惠性。我们提出了一个家庭的自激霍克斯点过程的基础上的模型,其中事件依赖于历史的过程。霍克斯过程的关键组成部分是条件强度函数,它捕捉了这样一个事实,即相互作用可能是对过去相互作用的反应(互惠性),也可能是由于个体之间的共同利益(社区结构)。为了捕捉稀疏性和程度异质性,强度函数的基础(非时间依赖)部分建立在Todeschini等人(2016)的复合随机测量基础上。我们进行了各种现实世界的时间交互数据的实验,并表明,该模型优于许多竞争的链接预测方法,并导致可解释的参数。
2018-10-26 stat.ML
Inference and testing for structural change in time series of counts model
我们在这里一起考虑泊松自回归中的推理问题和变点问题(参见Tjøstheim,2012)。该过程的条件均值(或强度)是其过去值和过去观测值的非线性函数。在Lipschitz型条件下,证明了条件均值可以写成滞后观测值的函数。在后一种模型中,假设链路函数取决于未知参数$θ_0$。证明了参数极大似然估计的相合性和渐近正态性。这些结果被用来研究参数$θ_0$的变点问题。我们提出了两个测试的基础上的意见的可能性。在原假设(即无变化)下,证明了这两个检验统计量都收敛于一个显式分布。两个测试下的替代品的一致性证明。仿真结果表明了这些方法的实用性,并对实际数据进行了应用。
2013-05-08 math.ST stat.TH
Cumulative Hazard Function Based Efficient Multivariate Temporal Point Process Learning
Academy of Mathematics and Systems Science, CAS(中国科学院数学与系统科学研究院);University of Chinese Academy of Science(中国科学院大学)
本文提出用神经网络建模满足数学约束的累积风险函数,以低参数复杂度学习多元时间点过程,在六个数据集上以更少参数和内存达到最先进的数据拟合与事件预测性能。
2024-05-02 cs.AI cs.LG stat.ML
Semi-parametric profile pseudolikelihood via local summary statistics for spatial point pattern intensity estimation
本文提出一种基于局部二阶统计量和 Papangelou 条件强度的半参数剖面伪似然方法,用于存在空间交互且似然不可处理时的点过程强度估计,并通过模拟和真实数据验证了其拟合优度。
2024-04-16 stat.ME
Second order semi-parametric inference for multivariate log Gaussian Cox processes
本文介绍了一种新的方法来推断具有复强度函数的多元对数高斯Cox过程(LGCP)的二阶性质。我们假设一个半参数模型的多变量强度函数包含一个未指定的复杂因素共同的所有类型的点。鉴于此模型,我们利用几种类型的点的可用性来构建一个二阶条件复合似然来推断LGCP的对相关和交叉对相关函数。重要的是,这种可能性不依赖于强度函数的未指定部分。我们还介绍了一个交叉验证方法的模型选择和正则化推理,可用于获得交叉对相关函数的稀疏模型的算法。该方法适用于模拟数据以及从显微镜和犯罪学的数据例子。这显示了新方法如何优于现有的替代方案,其中强度函数是非参数估计的。
2022-01-03 stat.ME
A J-function for inhomogeneous point processes
我们提出了新的汇总统计强度重新加权矩平稳点过程,概括了众所周知的J-,空的空间,最近邻距离分布函数,代表他们在生成泛函和条件强度方面,并将它们与非均匀减少二阶矩函数。对时空和标记点过程的扩展作了简要的讨论。
2010-08-26 stat.ME
Composite likelihood inference for space-time point processes
针对热带雨林普查点模式时间序列短、空间覆盖大的特点,提出基于条件复合似然的时空点过程参数估计方法,采用固定时间跨度-空间域递增的渐近框架,通过模拟和实际数据验证了方法的有效性。
2024-09-18 stat.ME
Mapping the intensity function of a non-stationary point process in unobserved areas
地震台网提供的数据可作为公共安全决策和科学研究的依据。它们的配置影响数据的完整性,这反过来又严重影响几个地震科学目标(例如,地震预报、地震危险性.)。在这方面,一个关键的方面是如何根据审查数据绘制孕震区的地震密度图,甚至绘制网络未覆盖地区的地震密度图。我们建议从存在位置和地质关系的知识来预测地震的空间分布,同时考虑到记录之间的任何相互作用。也就是说,在一个更一般的设置,我们的目标是估计一个点过程的强度函数,有条件的审查实现,在地质统计连续过程。我们将预测因子定义为观测点模式的最佳线性无偏组合。我们表明,与预测的权重函数是第二类Fredholm方程的解决方案。Fredholm方程的核项和源项都通过强度和对相关函数与点过程的一阶和二阶特征有关。模拟非平稳点过程和真实的数据映射希腊希腊地震活动在一个地区的不可靠和不完整的记录的结果和说明。
2022-06-03 math.ST stat.ME stat.TH