ABC Learning of Hawkes Processes with Missing or Noisy Event Times
自激Hawkes过程被广泛用于模拟爆发事件。然而，许多真实世界的数据集包含丢失的事件和/或噪声观测的事件时间，我们称之为数据失真。这种失真的存在会严重影响霍克斯过程参数的学习。为了避免这一点，我们建议明确建模的失真函数。这导致了一个模型，一个棘手的似然函数，这使得它难以部署标准的参数估计技术。因此，我们开发了ABC-Hawkes算法，这是一种基于近似贝叶斯计算（ABC）和马尔可夫链蒙特卡罗的新方法。这使得霍克斯过程的参数可以在常规方法引起实质性偏差或不适用的设置中学习。所提出的方法被证明是执行良好的真实和模拟数据。
2021-06-02 stat.AP
Hawkes Processes with Stochastic Excitations
Data61/National ICT Australia（Data61/澳大利亚国家信息通信技术研究院）；London School of Economics（伦敦政治经济学院）；Australian National University（澳大利亚国立大学）
我们提出了一个扩展霍克斯过程处理水平的自激作为一个随机微分方程。我们的新点过程允许更好的近似在应用领域中的事件和强度相互加速与相关的传染水平。我们推广了最近的算法，从霍克斯过程的激发水平是随机过程模拟提请，并提出了一个混合马尔可夫链蒙特卡罗方法模型拟合。我们的采样过程的规模与所需的事件的数量呈线性关系，不需要平稳的点过程。提出了一种由Gibbs和Metropolis Hastings步骤组合而成的模块化推理方法。我们恢复期望最大化作为一种特殊情况。我们的一般方法说明了几何布朗运动和指数朗之万动力学的传染。
2016-09-22 cs.LG stat.ML
Scalable and adaptive variational Bayes methods for Hawkes processes
本文统一了Hawkes过程的变分贝叶斯方法，提出可并行化的自适应平均场算法，能适应参数维度并对模型误设定具有鲁棒性。
2023-09-01 math.ST stat.ML stat.TH
A sequential ensemble approach to epidemic modeling: Combining Hawkes and SEIR models using SMC$^2$
Trinity College Dublin（都柏林三一学院）
本文提出一种结合Hawkes和SEIR模型的序列集成方法，利用SMC$^2$提高流行病预测的准确性和可靠性，以支持公共卫生决策。
2026-01-20 stat.AP
Approaches for multi-step density forecasts with application to aggregated wind power
非高斯数据的多步密度预测的生成主要依赖于计算密集的蒙特卡罗模拟。利用爱尔兰的风电场，我们研究了两种多步密度预测方法，这种方法可以从简单的迭代中获得，从而避免了密集的计算。在第一种方法中，我们应用逻辑变换来近似地规范化数据，并使用ARIMA-GARCH模型来描述变换后的数据，以便可以容易地迭代多步预测。在第二种方法中，我们用截断的正态分布来描述预测密度，该分布由两个参数，即条件均值和条件方差决定。我们采用指数平滑法同时预测这两个参数。由于指数平滑的基础模型是高斯模型，我们能够通过简单的迭代获得参数的多步预测，从而生成截断正态分布的预测密度。我们提前15分钟到24小时生成风力发电预测。结果表明，第一种方法产生更好的预测，并略优于第二种方法在各种适当的分数。尽管如此，第二种方法在计算上更有效，并且在不同长度的训练数据下给出更稳健的结果。它还提供了一个有吸引力的替代方法，因为人们可以选择一个特定的参数密度的预测，是有价值的，当没有明显的转换来规范化的数据。
2011-01-10 physics.ao-ph stat.AP stat.ME
Stock-flow consistent macroeconomic model with nonuniform distributional constraint
我们报告的结果有关的部分汇总股票流一致（SFC）宏观经济模型在静态的银行和企业部门的汇总，家庭部门的分解，和家庭财富的概率密度函数（pdf）是外生的，计量经济数据的约束。结果表明，等式部分的约束可以减少到一个单一的常和方程，这涉及到这个问题的研究连续的质量运输问题，和iid随机变量的总和。因此，现有的结果可以应用，并提供边际概率，和冷凝发生前的临界点的位置。使用蒙特卡罗抽样的打了就跑的类型，使用法国的财富和收入数据进行各种数值实验。
2017-08-02 physics.soc-ph q-fin.GN stat.AP
Semiparametric estimation for multivariate Hawkes processes using dependent Dirichlet processes: An application to order flow data in financial markets
本研究提出一种基于相依狄利克雷过程的半参数多元霍克斯过程模型，用于分析高频订单流数据，避免强参数假设，通过两种算法实现低误差估计，并能捕捉标准模型无法处理的非单调激发函数特征。
2025-02-24 stat.ME
Pointless Continuous Spatial Surface Reconstruction
在包括流行病学和社会科学在内的许多学科中，对地区一级的汇总摘要数据进行分析是很常见的。通常，马尔可夫随机场空间模型已被用来确认空间依赖性，并允许数据驱动的平滑。在本文中，我们利用最近的理论和计算的连续空间建模的进展进行重建的基础连续空间表面。特别是，我们专注于基于随机偏微分方程（SPDE）的模型。我们还考虑了有趣的情况下，其中的聚合数据补充点数据。我们进行贝叶斯推断，并在广义线性混合模型的语言，如果链接是线性的，一个有效的实现模型是通过集成嵌套拉普拉斯近似。对于非线性链接，我们提出了两种方法：一个完全贝叶斯实现使用哈密顿蒙特卡罗算法，和经验贝叶斯实现，这是快得多，是基于拉普拉斯近似。我们使用模拟的方法检查的属性，然后估计一个潜在的连续的风险表面的经典苏格兰唇癌数据。
2017-09-27 stat.ME
CHIP: A Hawkes Process Model for Continuous-time Networks with Scalable and Consistent Estimation
University of Toledo（托莱多大学）；The Ohio State University（俄亥俄州立大学）
在许多涉及网络的应用环境中，例如在线社交网络用户之间的消息或金融市场交易员之间的交易，观察到的数据由时间戳关系事件组成，这些事件形成连续时间网络。我们提出了社区霍克斯独立对（CHIP）生成模型，这样的网络。我们表明，应用谱聚类的聚合邻接矩阵构造的CHIP模型提供了一致的社区发现的节点数量和持续时间不断增加。我们还开发了一致的和计算效率的模型参数的估计。我们证明了我们提出的CHIP模型和估计过程可扩展到具有数万个节点的大型网络，并在几个真实网络上提供优于现有连续时间网络模型的拟合。
2020-11-10 cs.LG cs.SI physics.soc-ph
Hyperedge-Triggered Hawkes Processes for Diagnosing Higher-Order Temporal Dependence in Event Streams
School of Mathematics and Statistics, Qingdao University（青岛大学数学与统计学院）
提出超边触发霍克斯过程（HTH）用于从异步事件数据推断多细胞系统中的高阶交互结构，通过闭合形式的EM算法和CP张量分解实现高效推断，在合成实验中成对恢复误差低于5%，并在视网膜神经节细胞数据上获得+20.6 nats的似然增益。
2026-08-31 stat.ME
Common Signals, Spurious Cross-Excitation, and Identification in Multivariate Hawkes Processes
University of Washington（华盛顿大学）；Purdue University（普渡大学）
该研究针对多变量Hawkes过程，分析了共同信号导致的虚假交叉激励问题，推导了相关累积量并建立参数识别性，开发了Whittle估计方法，通过模拟和加密货币交易应用验证了模型的有效性与局限性。
2026-10-15 q-fin.ST stat.ME
A flexible, random histogram kernel for discrete-time Hawkes processes
霍克斯过程是一种自激随机过程，用来描述过去事件增加未来事件发生概率的现象。这项工作提出了一种灵活的方法来模拟这些变量，即离散时间霍克斯过程。霍克斯过程的大多数标准模型依赖于描述过去事件影响的函数的参数形式，称为触发核。这可能不足以捕获真实的激励模式，特别是对于复杂的数据。通过利用跨维马尔可夫链蒙特卡罗推理技术，我们提出的模型的触发内核可以采取任何阶跃函数的形式，提供显着更大的灵活性比参数的形式。我们首先通过一个全面的模拟研究证明了该模型的实用性。这包括单变量情景和多变量情景，其中存在多个相互作用的霍克斯过程。然后，我们将所提出的模型应用于几个案例研究：以意大利和法国为例，在COVID-19大流行的早期到中期阶段两国之间的相互作用，以及两个空间接近的国家之间的恐怖活动的相互作用，印度尼西亚和菲律宾，然后在菲律宾的三个地区。
2022-08-04 stat.AP stat.CO stat.ME
Generalized Evolutionary Point Processes: Model Specifications and Model Comparison
广义进化点过程提供了一类点过程模型，它允许基于过程历史的激励或抑制。在这方面，我们提出了建模，其中包括推广的非线性霍克斯过程。在贝叶斯框架内工作，通过马尔可夫链蒙特卡罗实现模型拟合。这需要讨论这种点模式的可能性的计算。此外，对于这类模型，我们讨论了模型比较的策略。使用模拟，我们说明了如何以及我们可以区分这些模型与点模式规范与条件独立的事件时间，例如，Poisson过程具体来说，我们证明了这些模型可以正确识别真实的关系（即，激励或抑制/控制）。然后，我们考虑一种新的扩展的对数高斯Cox过程，结合进化行为，并说明我们的模型比较方法更喜欢进化对数高斯Cox过程相比，简单的模型。我们还研究了一个真实的数据集，其中包括2018年芝加哥第11警区的暴力犯罪事件。该数据显示出强烈的每日季节性和全年变化。在我们考虑了这些数据属性后，我们发现了显著但温和的自激，这意味着事件的发生增加了未来事件的强度。
2019-10-15 stat.AP stat.CO stat.ME
A Spatio-Temporal Self-Propagating Log-Gaussian Cox-Hawkes Process for Star Formation Modelling
University of Melbourne（墨尔本大学）；RMIT University（皇家墨尔本理工大学）
该研究提出时空自传播对数高斯Cox-Hawkes连续点过程模型，结合自发形成、激发、抑制与较差自转，无需预设螺旋几何即可生成絮状螺旋图案，为恒星形成观测的统计推断奠定基础。
2026-09-09 astro-ph.GA stat.ME
Approximate Bayesian Computations to fit and compare insurance loss models
近似贝叶斯计算（ABC）是一种通过比较观测数据和模拟数据来校准和选择模型的统计学习技术。这种技术绕过了可能性的使用，只需要从感兴趣的模型生成合成数据的能力。我们应用ABC来使用汇总数据拟合和比较保险损失模型。提出了一种最先进的ABC在Python中的实现。它使用序贯蒙特卡罗从后验分布和瓦瑟斯坦距离比较观察到的和合成的数据。
2021-05-01 stat.CO
Small area estimation of general finite-population parameters based on grouped data
本文提出了一种基于模型的一般有限总体参数的小区域估计新方法，该方法基于分组数据或频率数据，通常可以从抽样调查中获得。分组数据包含关于每个地区某些预先指定的群体出现频率的信息，例如收入类别中的家庭数量，因此比地区一级的汇总数据更能详细地了解小地区。直接应用广泛使用的小区域方法，如用于区域级数据的Fay-Herriot模型和用于单位级数据的嵌套误差回归模型，是不合适的，因为它们不是为分组数据设计的。新提出的方法采用多项似然函数的分组数据。为了在小区域估计的框架内将多项似然和辅助变量的组概率联系起来，我们引入了未观测的单位级感兴趣量，它遵循线性混合模型，经过一些变换后具有随机截距和离散度。然后，可以导出单元属于组的概率，并将其用于构建给定随机效应的分组数据的似然函数。未知的模型参数（超参数）估计的新开发的蒙特卡罗期望最大化算法使用一个有效的重要性抽样。小面积参数的经验最佳预测（经验贝叶斯估计）可以通过简单的吉布斯抽样算法来计算。所提出的方法的数值性能的基础上，基于模型和基于设计的模拟说明。在对日本城市分组收入数据的应用中，我们完成了基尼系数和全国平均收入的补丁地图。
2019-09-19 stat.ME
Estimating the Hawkes process from a discretely observed sample path
针对仅离散观测下 Hawkes 过程似然难处理的问题，提出基于状态空间表示与 SMC 无偏似然近似、结合 Metropolis-Hastings 的估计方法，实验显示其均方误差更低且便于构造置信区间。
2024-01-20 stat.CO stat.ME
Efficient estimation of high-dimensional multivariate normal copula models with discrete spatial responses
分布变换（DT）是用于估计具有离散响应的高维多元正态copula模型的计算方法之一。它的优点是在连续边际copula模型的理论下可以方便地推导出似然函数，但对该方法的适用性还没有明确的分析。我们调查的小样本和渐近有效性的方法估计高维多元正态Copula模型与单变量Bernoulli，泊松，负二项利润，并显示DT近似导致有偏估计时，有更多的离散。对于一个高维离散响应，我们实现了最大模拟似然方法，这是基于评估的多维积分的可能性与随机化的准蒙特卡罗方法。效率计算表明，我们的方法几乎是有效的极大似然充分指定的高维多元正态copula模型。这两种方法都说明了空间聚集计数数据集，它表明，有一个很大的增益，通过最大模拟似然法的效率。
2015-01-20 stat.AP stat.CO stat.ME
Variational Consensus Monte Carlo for Bayesian Mixture
MRC Biostatistics Unit, University of Cambridge（剑桥大学生物统计学单位）；Institute of Applied Health Research, University of Birmingham（伯明翰大学应用健康研究学院）
提出变分共识蒙特卡洛方法扩展至过拟合贝叶斯混合模型，通过新颖的聚类匹配算法和聚合策略，在联邦学习设置下推断聚类数和所有参数，并在模拟和真实电子健康记录数据上验证了有效性。
2026-06-19 cs.LG stat.ML
Model Evidence with Fast Tree Based Quadrature
University of Oxford（牛津大学）；Imperial College London（帝国理工学院）
从粒子物理到贝叶斯推断，高维积分对许多科学领域都是必不可少的。近似这些积分是困难的，部分原因是难以定位和采样的区域的积分域，使整体积分的显着贡献。在这里，我们提出了一个新的算法，称为树正交（TQ），分离这个采样问题的问题，使用这些样本产生的积分近似。TQ对如何获得提供给它的样本没有任何限制，允许它使用现有积分算法在很大程度上忽略的最先进的采样算法。给定一组样本，TQ以回归树的形式构建被积函数的代理模型，并优化结构以最大化积分精度。该树将集成域划分为更小的容器，这些容器被单独集成和聚合以估计整体积分。任何方法都可以用于集成每个单独的容器，因此现有的集成方法，如贝叶斯蒙特卡罗，可以与TQ相结合，以提高其性能。在一组基准问题，我们表明，TQ提供了准确的近似积分在15个维度，在4维及以上，它优于简单的蒙特卡罗和流行的拉斯维加斯方法。
2020-05-22 cs.LG cs.MS stat.CO
A General Framework for quantifying Aleatoric and Epistemic uncertainty in Graph Neural Networks
Kansas State University（堪萨斯州立大学）；ETH Zurich（苏黎世联邦理工学院）
图神经网络（GNN）提供了一个强大的框架，它优雅地将图论与机器学习集成在一起，用于对网络数据进行建模和分析。我们考虑的问题，量化的不确定性预测GNN源于建模误差和测量不确定性。我们认为任意的不确定性的形式的概率链接和噪声的特征向量的节点，而认知的不确定性通过概率分布的模型参数。我们提出了一个统一的方法来处理贝叶斯框架中的两个来源的不确定性，其中假设密度过滤用于量化任意的不确定性和蒙特卡罗退出捕获模型参数的不确定性。最后，将这两个不确定性来源进行汇总，以估计GNN预测中的总不确定性。真实世界数据集的结果表明，贝叶斯模型与频率论模型表现相当，并提供了有关预测不确定性的额外信息，这些信息对数据和模型中的不确定性敏感。
2022-05-20 cs.LG stat.ML
Highly Data Parallelizable Estimation of the Sliced-Wasserstein Distance Using Cumulative Distribution Functions
Laboratoire de Mathématiques d’Orsay, Université Paris-Saclay（巴黎-萨克雷大学数学实验室）；Centre de recherche en économie et statistique, ENSAE（经济与统计研究中心）
提出基于累积分布函数的切片Wasserstein距离估计器，避免排序并支持大规模数据并行，适用于混合高斯和联邦学习场景。
2026-06-29 cs.LG stat.ML
dynamite: An R Package for Dynamic Multivariate Panel Models
University of Jyväskylä（于韦斯屈莱大学）；University of Turku（图尔库大学）
dynamite 是一个用于动态多元面板模型的R软件包，支持贝叶斯推断、多种分布建模及高效预测与可视化。
2026-01-20 stat.ME
Joint modeling of landslide counts and sizes using spatial marked point processes with sub-asymptotic mark distributions
为了准确量化土耳其某地区的山体滑坡危害，我们在贝叶斯分层框架内开发了新的标记点过程模型，用于联合预测山体滑坡数量和大小。为了适应少数最大的滑坡在总规模的主导作用，我们利用标记分布与极端值理论的强有力的理由，从而桥接极端和标记点模式的统计两个广泛的领域。在数据层面上，我们假设一个泊松分布的滑坡计数，而我们比较不同的"亚渐近"分布的滑坡规模，灵活地模拟他们的上，下尾。在潜在的水平，泊松强度和中值的大小分布在空间上不同的固定和随机效应，与共享的空间组件捕获滑坡计数和大小之间的互相关。我们鲁棒模型的空间依赖性使用内在条件自回归先验。我们的新模型，有效地使用定制的自适应马尔可夫链蒙特卡罗算法。我们表明，对于我们的数据集，与更传统的选择相比，亚渐近标记分布提供了更好的大型滑坡尺寸预测。为了展示联合发生规模模型的好处，并说明其对风险评估的有用性，我们沿着主要道路绘制滑坡灾害图。
2022-05-20 stat.AP stat.ME
