論文の概要: Non-Parametric Estimation of Multi-dimensional Marked Hawkes Processes

• arxiv url: http://arxiv.org/abs/2402.04740v1
• Date: Wed, 7 Feb 2024 10:51:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 15:51:03.684737
• Title: Non-Parametric Estimation of Multi-dimensional Marked Hawkes Processes
• Title（参考訳）: 多次元マーキング過程の非パラメトリック推定
• Authors: Sobin Joseph and Shashi Jain
• Abstract要約: マークされたホークスプロセスは、マークのないホークスプロセスで観測される定数ジャンプサイズとは対照的に、各イベントにまたがる可変ジャンプサイズを特徴とする。 マークされたホークス過程の条件強度を推定する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An extension of the Hawkes process, the Marked Hawkes process distinguishes itself by featuring variable jump size across each event, in contrast to the constant jump size observed in a Hawkes process without marks. While extensive literature has been dedicated to the non-parametric estimation of both the linear and non-linear Hawkes process, there remains a significant gap in the literature regarding the marked Hawkes process. In response to this, we propose a methodology for estimating the conditional intensity of the marked Hawkes process. We introduce two distinct models: \textit{Shallow Neural Hawkes with marks}- for Hawkes processes with excitatory kernels and \textit{Neural Network for Non-Linear Hawkes with Marks}- for non-linear Hawkes processes. Both these approaches take the past arrival times and their corresponding marks as the input to obtain the arrival intensity. This approach is entirely non-parametric, preserving the interpretability associated with the marked Hawkes process. To validate the efficacy of our method, we subject the method to synthetic datasets with known ground truth. Additionally, we apply our method to model cryptocurrency order book data, demonstrating its applicability to real-world scenarios.
• Abstract（参考訳）: ホークスプロセスの拡張であるマーク付きホークスプロセスは、マークのないホークスプロセスで観察される一定ジャンプサイズとは対照的に、各イベントに可変ジャンプサイズを特徴付けることで自身を区別している。 線形および非線形ホークス過程の非パラメトリックな推定に多くの文献が注がれているが、マークされたホークス過程に関する文献には大きなギャップが残っている。 そこで本研究では,マークされたホークス過程の条件強度を推定する手法を提案する。 本稿では, 励起カーネルを持つホークス過程に対する \textit{Shallow Neural Hawkes with mark} と非線形ホークス過程に対する \textit{Neural Network for Non-Linear Hawkes with Marks} の2つの異なるモデルを紹介する。 これらのアプローチはどちらも、過去の到着時間とその対応するマークを入力として、到着強度を得る。 このアプローチは完全に非パラメトリックであり、マークされたホークス過程に関連する解釈可能性を保つ。 本手法の有効性を検証するために,既知の基底真理を持つ合成データセットを対象とする。 さらに,本手法を暗号通貨注文帳データのモデル化に適用し,実際のシナリオへの適用性を示す。

関連論文リスト

• Flexible Parametric Inference for Space-Time Hawkes Processes [9.21863588989844]
  本稿では,これらのデータに基づいて,時空ホークスプロセスの強度関数に関わるカーネル関数のパラメータを高速かつ柔軟なパラメトリック推論手法を開発することを目的とする。
  論文  参考訳（メタデータ） (2024-06-10T23:40:16Z)
• Fast Learning of Multidimensional Hawkes Processes via Frank-Wolfe [12.797408391731196]
  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。
  論文  参考訳（メタデータ） (2022-12-12T17:57:09Z)
• 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)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• 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)
• ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without Periodogram and Gaussianity Assumptions [91.3755431537592]
  我々は、効率的な市場を調査するためのApeRI-miodic(ARISE)プロセスを提案する。 ARISEプロセスは、いくつかの既知のプロセスの無限サムとして定式化され、周期スペクトル推定を用いる。 実際に,実世界の市場の効率性を明らかにするために,ARISE関数を適用した。
  論文  参考訳（メタデータ） (2021-11-08T03:36:06Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• 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)
• Interval-censored Hawkes processes [82.87738318505582]
  本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。 我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
  論文  参考訳（メタデータ） (2021-04-16T07:29:04Z)
• 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)
• Shallow Neural Hawkes: Non-parametric kernel estimation for Hawkes processes [0.0]
  多次元ホークス過程(MHP)は、自己および相互に励起される点過程のクラスである。 まず、ホークス過程のログライクな推定器の偏りのない推定器を見つける。 基礎となるカーネルの非パラメトリック推定のための,特定の単層ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T18:15:38Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。