梅尔·马利利斯（Myrl G.Marmarelis）。;格雷格·弗·斯蒂格;亚拉姆·加尔斯蒂安 点过程激励的度量空间。 （英语） Zbl 07527552号 J.阿蒂夫。智力。研究（JAIR） 73, 1323-1353 (2022). 摘要：多元Hawkes过程通过触发矩阵实现自我和交叉激发，触发矩阵表现为不对称协方差结构，表征事件类型之间的成对相互作用。对所有相互作用的全库估计在经验环境中通常是不可行的。专门研究时空应用程序的模型通过利用空间局部性缓解了这一障碍，允许事件之间的二元关系仅依赖于实际欧氏空间中的时间间隔和相对距离。在这里，我们将此框架推广到任何多元Hawkes过程，并将其作为容器，用于将任意事件类型嵌入到隐藏度量空间。具体来说，我们提出了一个隐藏的霍克斯几何(HHG（小时）)模型以揭示多元点过程中事件激发之间的隐藏几何。嵌入的低维性规范了推断交互作用的结构。我们开发了一些估计量，并通过几个实验验证了模型。特别是，我们调查了韩国早期记录和洛杉矶近期确诊病例中新冠肺炎的区域感染动态。通过对短期记录进行额外的合成实验，以及对期权市场和埃博拉疫情的探索，我们证明了学习嵌入以及点过程可以揭示广泛应用中的显著交互作用。 MSC公司： 68T27型 人工智能中的逻辑 关键词：机器学习;计算社会系统;时空数据库;基于模型的推理 软件：GloVe公司;派霍克斯 PDF格式BibTeX公司 XML格式引用 \textit{M.G.Marmarelis}等人，J.Artif。智力。研究（JAIR）73，1323--1353（2022；Zbl 07527552） 全文： DOI程序 arXiv公司 参考文献： [1] Achab，M.、Bacry，E.、Gaiffas，S.、Mastromateo，I.和Muzy，J.-F.（2017）。从多元霍克斯积分累积量中发现因果关系。国际会议·Zbl 1472.62076号 [2] Aglietti，V.、Bonilla，E.V.、Damoulas，T.和Cripps，S.（2019年）。连续cox过程模型中的结构化变分推理.第33届神经信息会议 [3] Apostolopoulou，I.、Linderman，S.、Miller，K.和Dubrawski，A.（2019年）。相互回归点过程。第33届神经信息处理系统会议。 [4] Bacry，E.和Muzy，J.F.（2016年）。霍克斯过程和非参数估计的一阶和二阶统计特征。IEEE信息理论汇刊·Zbl 1359.62160号 [5] Bertozzi，A.L.、Franco，E.、Mohler，G.、Short，M.B.和Sledge，D.（2020年）。建模和预测新型冠状病毒传播的挑战。美国国家科学院，117（29）·Zbl 1485.92115号 [6] Campbell，T.和Li，X.（2019年）。通用增压变分推理。第33届神经信息处理系统会议。 [7] Cho，Y.-S.、Galstyan，A.、Brantingham，P.J.和Tita，G.（2014）。时空网络的潜在自激点过程模型。离散和连续动态·Zbl 1327.93266号 [8] Coifman，R.R.和Lafon，S.（2006年）。扩散贴图。应用和计算谐波分析，21，5-30·Zbl 1095.68094号 [9] Cox，D.R.（1955）。一些与一系列事件相关的统计方法。英国皇家统计学会杂志B，17（2），129-164·Zbl 0067.37403号 [10] Detommaso，G.、Hoitzing，H.、Cui，T.和Alamir，A.（2019年）。Stein变分在线变点检测及其在hawkes过程和神经网络中的应用。 [11] Ding，H.、Khan，M.E.、Sato，I.和Sugiyama，M.（2018）。时间序列建模的贝叶斯非参数泊松过程分配。arXiv:1705.07006。 [12] Drakopoulos，K.、Ozdaglar，A.和Tsitsiklis，J.N.（2017年）。什么时候网络流行很难消除？。运筹学数学，42（1），1-14·兹比尔1362.92073 [13] Du，N.，Dai，H.，Trivedi，R.，Upadhyay，U.，Gomez-Rodriguez，M.，&Song，L.（2016）。循环标记的时态点进程：将事件历史嵌入到向量。KDD。 [14] Etesama，J.、Kiyavash，N.、Zhang，K.和Singhal，K.（2016）。多元hawkes过程学习网络：时间序列方法。第三十二届会议记录 [15] Fefferman，C.、Mitter，S.和Narayanan，H.（2016）。检验多重假设。J.Amer。数学。社会学，29（4），983-1049·Zbl 1359.62122号 [16] Flaxman，S.、Chirico，M.、Pereira，P.和Loefler，C.（2019年）。用核方法对稀疏空间运动事件进行可扩展的高分辨率预测。arXiv:1801.02858·Zbl 1435.62431号 [17] Garske，T.、Cori，A.、Ariyarajah，A.、Blake，I.M.、Dorigatti，I.、Eckmanns，T.和Fraser，C.、Hinsley，W.、Jombart，T.，Mills，H.L.、Nedjati-Gilani，G.、Newton，E.、Nouvellet，P.、Perkins，D.、Riley，S.、Schumacher，D.、Shah，A.，Kerkhove，M.D.、Dye，C.，Ferguson，N.M.和Donnelly，C.A.（2017年）。2013-2016年西非埃博拉疫情中病死率的异质性。英国皇家学会哲学学报B： [18] Gibson，G.J.、Streftaris，G.和Thong，D.（2018年）。流行病模型的比较和评估。统计科学，33（1），19-33·Zbl 1407.62400号 [19] Goodhart，C.（1981）。《通货膨胀、萧条与西方经济政策》，货币管理问题：英国经验，第111-146页。Rowman&Littlefield公司。 [20] Halpin，P.F.和Boeck，P.D.（2013年）。用霍克斯过程模拟二元相互作用。《心理测量学》，78（4），793-814·Zbl 1288.62182号 [21] Hawkes，A.G.（1971）。一些自激和相互激点过程的谱。《生物特征》，58（1），83-90·Zbl 0219.60029号 [22] He，X.，Rekatsinas，T.，Foulds，J.，Getoor，L.，&Liu，Y.（2015）。Hawkestopic：基于文本级联的网络推理和主题建模的联合模型。国际 [23] Hunter，D.R.和Lange，K.（2004年）。mm算法教程。美国统计学家，58（1），30-37。 [24] Jia，J.和Benson，A.R.（2019）。神经跳跃随机微分方程。第33届神经信息处理系统会议。 [25] Junuthula，R.R.、Haghdan，M.、Xu，K.S.和Devabhaktuni，V.K.（2019年）。基于连续时间事件的动态网络的块点过程模型。会议记录 [26] Kalatzis，D.、Eklund，D.、Arvanitids，G.和Hauberg，S.（2020年）。具有riamannian布朗运动先验的变分自编码器。arXiv:2002.05227。 [27] Kerkhove，M.D.V.、Bento，A.I.、Mills，H.L.、Ferguson，N.M.和Donnelly，C.A.（2015）。埃博拉疫情流行病学参数回顾，以告知早期公众 [28] Kim，J.（2020年）。Ds4c：韩国covid-19的数据科学。韩国疾病控制与预防中心技术代表。 [29] Lemonnier，R.、Scaman，K.和Kalogeratos，A.（2017）。大规模推理的多元霍克斯过程。AAAI人工智能会议记录。 [30] Li，H.、Lindenbaum，O.、Cheng，X.和Cloninger，A.（2019年）。扩散变分自动编码器。arXiv:1905.12724。 [31] Lian，W.、Talmon，R.、Zaveri，H.、Carin，L.和Coifman，R.（2015）。多元时间序列分析和扩散图。信号处理，116，13-28。 [32] Linderman，S.W.和Adams，R.P.（2015）。兴奋点过程网络的可缩放贝叶斯推理。arXiv:1507.03228。 [33] Liu，S.和Hauskrecht，M.（2019年）。基于条件高斯过程的非参数回归点过程。第33届神经信息处理会议 [34] Lloyd，C.、Gunter，T.、Osborne，M.、Roberts，S.和Nickson，T.（2016）。潜在点进程分配。国际人工智能和统计会议，19（51），389-397。 [35] Loaiza-Gane，G.、Perkins，S.M.、Schroeder，K.E.、Churchland，M.M.和Cunningham，J.P.（2019年）。神经网络点过程强度估计的深随机样条 [36] Lu，Y.，Wang，X.，Shi，C.，Yu，P.S.，&Ye，Y..（2019年）。嵌入微观和宏观动态的时间网络。信息和知识管理会议记录。 [37] Marmarelis，V.Z.和Berger，T.W.（2005）。具有泊松点过程输入的神经系统非线性建模的一般方法。数学生物科学，196，1-13·Zbl 1071.92007年 [38] 麦克法登，J.A.（1965年）。点过程的熵。工业和应用数学学会，13（4），988-994·Zbl 0142.13801号 [39] Mehrasa，N.、Deng，R.、Ahmed，M.O.、Chang，B.、He，J.、Durand，T.、Brubaker，M.和Mori，G.（2019年）。点工艺流程。arXiv:1910.08281。 [40] Mei，H.和Eisner，J.（2017）。神经霍克斯过程：神经自调节多变量点过程。第31届神经信息处理系统会议。 [41] Mohler，G.O.、Short，M.B.、Brantingham，P.J.、Schoenberg，F.P.和Tita，G.E.（2011年）。犯罪的自激点过程建模。美国统计杂志·Zbl 1396.62224号 [42] Mohler，G.（2014）。芝加哥凶杀案和枪支犯罪预测的标记点过程热点地图。国际预测杂志，30491-497。 [43] Morariu-Patrichi，M.和Pakkanen，M.S.（2018年）。状态相关hawkes过程及其在限制订单建模中的应用。arXiv:1809.08060v2。 [44] Nesterov，Y.和Polyak，B.（2006年）。牛顿法的三次正则化及其全局性能。数学。程序。，A（108），177-205·Zbl 1142.90500 [45] Newson，R.（2002）。“非参数”统计背后的参数：Kendall的tau、somers的d和中位数差异。《州立杂志》，2（1），45-64。 [46] Nickel，M.和Le，M.（2020年）。大规模学习多元霍克斯过程。arXiv:2002.12501。 [47] Ogata，Y.（1981）。关于点过程的路易斯模拟方法。IEEE信息理论汇刊，IT-27（1），23-31·Zbl 0449.60037号 [48] Okawa，M.、Iwata，T.、Kurashima，T.，Tanaka，Y.、Toda，H.和Ueda，N.（2019年）。深层混合点过程：具有丰富上下文信息的时空事件预测。 [49] Oliver，N.、Lepri，B.、Sterly，H.、Lambiotte，R.、Delatalle，S.、De Nadai，M.、Letouzé，E.、Salah，A.、Benjamins，R.，Cattuto，C.、Colizza，V.、De Cordes，N.，Fraiberger，S.P.、。， [50] Omi，T.（2019）。一般时点过程的完全基于神经网络的模型。第33届神经信息处理系统会议。 [51] Pennington，J.、Socher，R.和Manning，C.D.（2014）。手套：用于单词表示的全局向量。自然语言处理中的经验方法会议。 [52] Pham，K.和Chen，G.（2018年）。在基于陆地的二部图上使用扩散坐标进行大尺度谱聚类。基于图形的自然方法研讨会 [53] Pillow，J.W.、Shlens，J.、Paninski，L.、Sher，A.、Litke，A.M.、Chichilnisky，E.J.和Simoncelli，E.P.（2008）。完整神经元群的时空相关性和视觉信号。《自然》，454995-999。 [54] Razali，N.M.和Wah，Y.B.（2011年）。shapiro-wilk、kolmogorov-smirnov、lilliefors和anderson-darling测试的功率比较。统计建模与分析杂志，2（1），21-33。 [55] Reinhart，A.（2018年）。综述了自激时空点过程及其应用。统计科学，33（3），299-318·Zbl 1403.62121号 [56] Rey，L.A.P.、Menkovski，V.和Portegies，J.W.（2019年）。扩散变分自动编码器。arXiv:1901.08991。 [57] Salehi，F.、Trouleau，W.、Grossglauser，M.和Thiran，P.（2019年）。从少数事件中学习霍克斯过程。第33届神经信息处理系统会议。 [58] Shang，J.和Sun，M.（2019年）。图卷积递归神经网络的几何霍克斯过程。人工智能促进协会。 [59] Sharma，A.、Ghosh，A.和Fiterau，M.（2019年）。标记点过程的生成序列随机模型。ICML时间序列研讨会。 [60] Soize，C.和Ghanem，R.（2016）。数据驱动的概率集中和歧管采样。计算物理杂志，321，242-258·Zbl 1349.62202号 [61] 学生（1908）。平均值的可能误差。生物特征，6（1）·Zbl 1469.62201号 [62] Swishchuk，A.和Huffman，A.（2020年）。普通复合hawkes在限额订单簿中处理。风险，8（28）。 [63] Taylor，D.、Klimm，F.、Harrington，H.A.、Kramár，M.、Mischaikow，K.、Porter，M.A.和Mucha，P.J.（2015）。传染图的拓扑数据分析，用于检查网络上的传播过程。国家通讯社，67723。 [64] Torricelli，M.、Karsai，M.和Gauvin，L.（2020年）。weg2vec：时间网络的事件嵌入。科学报告，10（7164）。 [65] Veen，A.和Schoenberg，F.P.（2008）。用em型算法估计地震学中的时空分支过程模型。美国统计协会杂志·Zbl 1469.86010号 [66] 威尔士，B.（2020）。洛杉矶。https://github.com/datadesk/加利福尼亚-冠状病毒数据。 [67] Xu，H.、Farajtabat，M.和Zha，H.（2016）。学习霍克斯过程的格兰杰因果关系。第33届机器学习国际会议记录，48。 [68] Yang，H.、Kutan，A.M.和Ryu，D.（2018年）。期权资金和价格分歧。《应用经济学快报》，25（3），192-196年。 [69] Yuan，B.，Li，H.，Bertozzi，A.L.，Brantingham，P.J.，&Porter，M.A.（2019年）。多元时空hawkes过程和网络重建。SIAM J.数学。数据·Zbl 1499.60154号 [70] Zhang，R.，Walder，C.，Rizoiu，M.-A.，&Xie，L.（2019年）。高效的非参数贝叶斯-霍克斯过程。国际人工智能联合会议，28。 [71] Zhou，K.，Zha，H.，&Song，L.（2013a）。使用多维鹰过程学习稀疏低阶网络中的社会传染性第16届人工智能国际会议 [72] Zhou，K.，Zha，H.，&Song，L.（2013b）。学习多维hawkes过程的触发内核。第30届机器学习国际会议。 [73] 朱S.、李S.和谢Y.（2020）。可解释的生成性神经时空点过程。arXiv:1906.05467v2。 [74] Zhu，S.，&Xie，Y.（2019）。犯罪事件嵌入无监督特征选择。国际声学、语音和信号处理会议记录。 [75] Zuo，Y.、Liu，G.、Lin，H.、Guo，J.、Hu，X.和Wu，J.（2018）。通过邻域形成嵌入时间网络。KDD公司 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。