論文の概要: A Representer Theorem for Hawkes Processes via Penalized Least Squares Minimization

• arxiv url: http://arxiv.org/abs/2510.08916v1
• Date: Fri, 10 Oct 2025 02:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.997032
• Title: A Representer Theorem for Hawkes Processes via Penalized Least Squares Minimization
• Title（参考訳）: 極小最小化によるホークス過程の表現理論
• Authors: Hideaki Kim, Tomoharu Iwata,
• Abstract要約: 代表者定理(英: representer theorem)は、カーネルヒルベルト空間を再現する潜在関数を推定することを目的とした、カーネル法の基礎となる定理である。 変換されたカーネルの族は、同時積分方程式の系によって定義される。 注目すべきは、双対係数はすべて解析的にユニタリに固定され、双対係数を得るためにコストのかかる最適化問題を解く必要がなくなることである。
• 参考スコア（独自算出の注目度）: 31.876688992403647
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The representer theorem is a cornerstone of kernel methods, which aim to estimate latent functions in reproducing kernel Hilbert spaces (RKHSs) in a nonparametric manner. Its significance lies in converting inherently infinite-dimensional optimization problems into finite-dimensional ones over dual coefficients, thereby enabling practical and computationally tractable algorithms. In this paper, we address the problem of estimating the latent triggering kernels--functions that encode the interaction structure between events--for linear multivariate Hawkes processes based on observed event sequences within an RKHS framework. We show that, under the principle of penalized least squares minimization, a novel form of representer theorem emerges: a family of transformed kernels can be defined via a system of simultaneous integral equations, and the optimal estimator of each triggering kernel is expressed as a linear combination of these transformed kernels evaluated at the data points. Remarkably, the dual coefficients are all analytically fixed to unity, obviating the need to solve a costly optimization problem to obtain the dual coefficients. This leads to a highly efficient estimator capable of handling large-scale data more effectively than conventional nonparametric approaches. Empirical evaluations on synthetic datasets reveal that the proposed method attains competitive predictive accuracy while substantially improving computational efficiency over existing state-of-the-art kernel method-based estimators.
• Abstract（参考訳）: 代表者定理は、非パラメトリックな方法でカーネルヒルベルト空間(RKHS)を再現する際の潜在関数を推定することを目的としたカーネル法の基礎である。 その重要性は、本質的に無限次元の最適化問題を双対係数上の有限次元のものに変換することで、実用的な計算可能なアルゴリズムを実現することである。 本稿では,RKHS フレームワーク内の観測イベントシーケンスに基づいて,イベント間の相互作用構造を符号化する潜在トリガーカーネルを推定する問題に対処する。 我々は、最小二乗法則の下で、変換されたカーネルの族は同時積分方程式の系によって定義でき、各トリガーカーネルの最適推定子は、データポイントで評価されたこれらの変換されたカーネルの線形結合として表されることを示す。 注目すべきは、双対係数はすべて解析的にユニタリに固定され、双対係数を得るためにコストのかかる最適化問題を解く必要がなくなることである。 これにより、従来の非パラメトリック手法よりも大規模データを効果的に処理できる高効率な推定器が得られる。 合成データセットの実証評価により,提案手法は既存のカーネル手法に基づく推定器よりも計算効率を大幅に向上し,競合予測精度が向上することが示された。

関連論文リスト

• Nonparametric estimation of Hawkes processes with RKHSs [1.775610745277615]
  本稿では、再生カーネル空間(RKHS)に相互作用関数が存在すると仮定した非線形ホークス過程の非パラメトリック推定について述べる。 神経科学の応用によって動機づけられたこのモデルは、エキサイティングで抑制的な効果を表現するために、複雑な相互作用機能を実現する。 本稿では2つの共通近似(ReLU関数と積分作用素)に依存する推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-01T14:26:50Z)
• Variance-Reducing Couplings for Random Features [57.73648780299374]
  ランダム機能(RF)は、機械学習においてカーネルメソッドをスケールアップする一般的なテクニックである。 ユークリッド空間と離散入力空間の両方で定義されるRFを改善するための結合を求める。 パラダイムとしての分散還元の利点と限界について、驚くほどの結論に達した。
  論文  参考訳（メタデータ） (2024-05-26T12:25:09Z)
• Stochastic Optimization for Non-convex Problem with Inexact Hessian Matrix, Gradient, and Function [99.31457740916815]
  信頼領域(TR)と立方体を用いた適応正則化は、非常に魅力的な理論的性質を持つことが証明されている。 TR法とARC法はヘッセン関数,勾配関数,関数値の非コンパクトな計算を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2023-10-18T10:29:58Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
  非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。 鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
  論文  参考訳（メタデータ） (2023-05-24T20:43:47Z)
• Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
  2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。 本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
  論文  参考訳（メタデータ） (2023-01-30T15:46:39Z)
• Reconstructing Kernel-based Machine Learning Force Fields with Super-linear Convergence [0.18416014644193063]
  我々は、プレコンディショナーを構築するためのNystr"om-typeメソッドの幅広いクラスについて考察する。 検討されたすべての方法は、支配的なカーネルスペクトルを近似するために、インジェクション(カーネル)列の代表的なサブセットを特定することを目的としている。
  論文  参考訳（メタデータ） (2022-12-24T13:45:50Z)
• Optimal prediction for kernel-based semi-functional linear regression [5.827901300943599]
  半関数線形モデルにおける予測のための収束の最小値を求める。 その結果, よりスムーズな関数成分は, 非パラメトリック成分が知られているようなミニマックス速度で学習できることが判明した。
  論文  参考訳（メタデータ） (2021-10-29T04:55:44Z)

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。