論文の概要: NeuroMem-FHP: A Likelihood-Free Deep Learning Framework for Parameter Estimation of Fractional Hawkes Process
- arxiv url: http://arxiv.org/abs/2607.11177v1
- Date: Mon, 13 Jul 2026 07:19:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.364348
- Title: NeuroMem-FHP: A Likelihood-Free Deep Learning Framework for Parameter Estimation of Fractional Hawkes Process
- Title（参考訳）: NeuroMem-FHP:フラクタルホークス過程のパラメータ推定のための準自由深層学習フレームワーク
- Abstract要約: 分数的ホークス過程(FHP)のパラメータを推定する枠組みを提案する。
2つのニューラルアーキテクチャ、すなわちLong Short-Term Memory(LSTM)ネットワークとTransformerを開発し、モデルパラメータを推定する。
実験により、両方のニューラルモデルが古典的最大等化推定法(MLE)よりも著しく優れていることが示された。
- 参考スコア（独自算出の注目度）: 2.376995292379181
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we propose deep learning based NeuroMem-FHP framework for estimating the parameters of the fractional Hawkes process (FHP), a self-exciting point process that captures long-range dependence through a fractional Mittag-Leffler excitation kernel. Two neural architectures, namely a Long Short-Term Memory (LSTM) network and a Transformer, are developed to estimate the model parameters $(μ,γ,α,β)$ directly from sequences of inter-arrival times without requiring computationally intensive likelihood optimization. Experiments on synthetic data that both neural models significantly outperform the classical Maximum Likelihood Estimation (MLE) method, with the Transformer achieving the highest estimation accuracy (MSE = $0.1634$), followed by the LSTM (MSE = $0.1752$), compared to MLE (MSE = $2.8032$). An ablation study further examines the effects of key hyperparameters on model performance. The proposed framework is also on two real-world high-frequency datasets, namely AAPL NBBO transaction data and Montgomery County 911 emergency call records. Using a predictive validation approach, event sequences simulated from the estimated parameters closely reproduce the empirical distribution, tail behavior, and temporal dependence structure of the observed data. These results demonstrate that Transformer-based parameter estimation provides an accurate and efficient alternative to conventional estimation techniques for FHP and offers a promising framework for modeling event-driven systems with long-memory dynamics.
- Abstract（参考訳）: 本稿では,深層学習に基づくNuroMem-FHPフレームワークを提案し,FHP(Farneral Hawkes Process)のパラメータを推定する。
2つのニューラルアーキテクチャ、すなわちLong Short-Term Memory (LSTM) ネットワークとTransformerは、計算集約的な最適化を必要とせず、パラメータ$(μ,γ,α,β)$を直接配列間時間列から推定するために開発された。
両者のニューラルモデルによる合成データの実験は、古典的な最大同値推定法(MLE)よりも優れており、トランスフォーマーは高い推定精度(MSE = 0.1634$)を達成し、LSTM(MSE = $0.1752$)はMLE(MSE = $2.8032$)と比較すると、LSTM(MSE = $0.1752$)が続く。
Ablation study has further study of the effects of key hyperparameters on model performance。
提案するフレームワークは、AAPL NBBOトランザクションデータとモンゴメリー郡緊急通話記録という、2つの現実世界の高周波データセットにも基づいている。
予測検証手法を用いて、推定パラメータからシミュレートされたイベントシーケンスは、観測されたデータの経験的分布、尾の挙動、時間的依存構造を密に再現する。
これらの結果から,Transformer を用いたパラメータ推定は,FHP の従来の推定手法に代わる正確かつ効率的な代替手段であり,長期記憶力学を用いたイベント駆動システムのモデル化に有望なフレームワークを提供することが示された。
関連論文リスト
- Lecture notes on Machine Learning applications for global fits [0.0]
この講義ノートは、現代の機械学習(ML)サロゲートを用いて、高エネルギー物理学におけるグローバルな統計的適合性を実現するための包括的なフレームワークを提供する。
まず、確率関数、ウィルクスの定理、プロファイル可能性を含むモデル構築の統計的基礎を概観する。
このノートには、アクティブな学習とガウス的プロセスによるトレーニングデータの効率的な生成を含む、堅牢なMLワークフローが詳述されている。
論文 参考訳（メタデータ） (2026-04-08T18:53:02Z) - NeuroMemFPP: A recurrent neural approach for memory-aware parameter estimation in fractional Poisson process [2.376995292379181]
分数的ポアソン過程(FPP)のパラメータを推定するためのリカレントニューラルネットワーク(RNN)に基づくフレームワークを提案する。
LSTM(Long Short-Term Memory)ネットワークは、キーパラメータ$>0$と$in(0,1)$を、地域間時間のシーケンスから推定する。
提案手法は,従来のモーメント法と比較して平均二乗誤差(MSE)を約55.3%削減することを示す。
論文 参考訳（メタデータ） (2025-12-05T17:14:07Z) - Fast Likelihood-Free Parameter Estimation for Lévy Processes [0.0]
本稿では,ニューラルベイズ推定フレームワークを用いたL'evyパラメータ推定の高速かつ高精度な手法を提案する。
NBEは, 緩やかな条件下でベイズ推定器に収束する一貫した推定器となることを示す。
提案されたアプローチでは、パラメーターを見積もるのに1分もかからない。
論文 参考訳（メタデータ） (2025-05-03T00:37:58Z) - Multifidelity Simulation-based Inference for Computationally Expensive Simulators [7.065679767112407]
MF-(TS)NPEは、トランスファーラーニングを用いて安価な低忠実度シミュレーションを利用する、神経後部推定のための多忠実なアプローチである。
A-MF-TSNPEは,密度推定器の予測不確かさを目標とした取得関数を用いた逐次変種である。
論文 参考訳（メタデータ） (2025-02-12T13:59:22Z) - Parameter Estimation of Long Memory Stochastic Processes with Deep Neural Networks [0.0]
時系列モデルの長いメモリパラメータを推定するために,純粋にディープなニューラルネットワークに基づくアプローチを提案する。
ハースト指数のようなパラメータは、プロセスの長距離依存、粗さ、自己相似性を特徴づけるのに重要である。
論文 参考訳（メタデータ） (2024-10-03T03:14:58Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Multi-Step Short-Term Wind Speed Prediction with Rank Pooling and Fast
Fourier Transformation [0.0]
短期的な風速予測は、経済的な風力利用に不可欠である。
現実の風速データは通常断続的で変動し、既存の浅いモデルに大きな課題をもたらす。
本稿では,多段風速予測,すなわちLR-FFT-RP-MLP/LSTMのための新しいハイブリッドモデルを提案する。
論文 参考訳（メタデータ） (2022-11-23T14:02:52Z) - 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) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳（メタデータ） (2022-09-16T19:15:50Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z) - 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。
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。