Fugu-MT 論文翻訳(概要): Fast Learning of Multidimensional Hawkes Processes via Frank-Wolfe

論文の概要: Fast Learning of Multidimensional Hawkes Processes via Frank-Wolfe

arxiv url: http://arxiv.org/abs/2212.06081v1
Date: Mon, 12 Dec 2022 17:57:09 GMT
ステータス: 処理完了
システム内更新日: 2022-12-13 18:25:38.178574
Title: Fast Learning of Multidimensional Hawkes Processes via Frank-Wolfe
Title（参考訳）: フランクウルフによる多次元ホークス過程の高速学習
Authors: Renbo Zhao, Niccol\`o Dalmasso, Mohsen Ghassemi, Vamsi K. Potluru, Tucker Balch, Manuela Veloso
Abstract要約: 多次元ホークス過程の学習のためのFrank-Wolfeアルゴリズムの適応について述べる。実験結果から,本手法は,他の一階法よりもパラメータ推定の精度が優れていた。
参考スコア（独自算出の注目度）: 12.797408391731196
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hawkes processes have recently risen to the forefront of tools when it comes to modeling and generating sequential events data. Multidimensional Hawkes processes model both the self and cross-excitation between different types of events and have been applied successfully in various domain such as finance, epidemiology and personalized recommendations, among others. In this work we present an adaptation of the Frank-Wolfe algorithm for learning multidimensional Hawkes processes. Experimental results show that our approach has better or on par accuracy in terms of parameter estimation than other first order methods, while enjoying a significantly faster runtime.
Abstract（参考訳）: シーケンシャルなイベントデータのモデリングと生成に関して、Hawkesプロセスは最近ツールの最前線に現れている。多次元ホークスプロセスは、異なる種類の事象間の自己および相互励起の両方をモデル化し、財務、疫学、パーソナライズドレコメンデーションなど様々な分野でうまく適用されている。本研究では,Frank-Wolfeアルゴリズムを多次元ホークス過程の学習に適用する。実験結果から,本手法は,他の1次手法よりもパラメータ推定の精度が優れており,実行時間が大幅に高速であることがわかった。

関連論文リスト

Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文参考訳（メタデータ） (2023-07-21T14:25:06Z)
Scalable and adaptive variational Bayes methods for Hawkes processes [4.580983642743026]
本稿では,スペーサ性誘導法を提案し,一般的なシグモイドホークスプロセスに対する適応平均場変動アルゴリズムを導出する。我々のアルゴリズムは並列性があり、したがって高次元設定では計算効率がよい。
論文参考訳（メタデータ） (2022-12-01T05:35:32Z)
Cox-Hawkes: doubly stochastic spatiotemporal Poisson processes [2.6599014990168834]
我々は,推論とクラスタリングの両方が可能な新しいクラスの推論・ホークス・プロセスを開発し,推論を効率的に行う方法を提案する。我々は、シミュレーションデータの実験において、我々のアプローチの有効性と柔軟性を示し、我々の手法を用いて、米国における報告された犯罪のデータセットの傾向を明らかにする。
論文参考訳（メタデータ） (2022-10-21T09:47:34Z)
FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
論文参考訳（メタデータ） (2022-10-10T12:35:02Z)
Differentially Private Estimation of Hawkes Process [81.20710494974281]
本稿では,Hawkesプロセスの離散化表現に基づいて,イベントストリームデータに対する微分プライバシーの厳密な定義を導入する。次に、2つの微分プライベート最適化アルゴリズムを提案する。これにより、Hawkesプロセスモデルに望ましいプライバシとユーティリティの保証を持たせることができる。
論文参考訳（メタデータ） (2022-09-15T13:59:23Z)
Causal Discovery in Hawkes Processes by Minimum Description Length [11.627871646343502]
ホークス過程(英: Hawkes process)は、因果関係の自然な概念を示す時間的点過程のクラスである。本稿では,多次元ホークス過程における顆粒因果ネットワークの学習問題にアプローチする。我々は,このアルゴリズムを,合成および実世界の財務データに基づく最先端のベースライン手法と比較した。
論文参考訳（メタデータ） (2022-06-10T10:16:03Z)
Nonlinear Hawkes Processes in Time-Varying System [37.80255010291703]
ホークス過程(英: Hawkes process)は、自己および相互興奮現象をモデル化する能力を持つ点過程のクラスである。この研究は、状態プロセスが点プロセスと相互作用するために組み込まれているフレキシブルで非線形で非均一な変種を提案する。推論には潜時変数拡張法を用いて2つの効率的なベイズ推論アルゴリズムを設計する。
論文参考訳（メタデータ） (2021-06-09T07:06:05Z)
Dynamic Hawkes Processes for Discovering Time-evolving Communities' States behind Diffusion Processes [57.22860407362061]
拡散プロセスの背後にあるコミュニティ状態の基盤となるダイナミクスを捉えることができる新しいホークスプロセスモデルを提案する。提案手法はDHPと呼ばれ、時間発展するコミュニティの状態の複雑な表現を学習するための柔軟な方法を提供する。
論文参考訳（メタデータ） (2021-05-24T08:35:48Z)
Hawkes Processes on Graphons [85.6759041284472]
我々は、グランガー因果グラフに関連するホークス過程とその変種について研究する。対応するホークスプロセスを生成し、イベントシーケンスをシミュレートすることができる。生成した事象列と観測された事象列との間の階層的最適輸送距離を最小化することにより,提案モデルを学習する。
論文参考訳（メタデータ） (2021-02-04T17:09:50Z)
Hawkes Processes Modeling, Inference and Control: An Overview [0.0]
ホークス・プロセス(英: Hawkes Process)は、時間イベント間の自己説明をモデル化するポイント・プロセスの一種である。金融や地震、犯罪率、ソーシャルネットワークのアクティビティ分析など、無数の応用で使われている。
論文参考訳（メタデータ） (2020-11-26T00:28:58Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。