×
吴京;欧文·沃德。;詹姆斯·柯利;郑、田

Markov-modulated Hawkes过程，用于模拟社会互动中零星和突发事件的发生。 （英语） Zbl 1498.62328号

附录申请。斯达。 16，第2期，1171-1190（2022）。
总结：事件动力学建模是许多学科的核心。观察到的社交互动事件中的模式通常可以使用点过程进行建模。这种社会互动事件数据往往表现出自激、异质和零星的趋势，这对传统模型来说是一个挑战。有理由假设存在一个隐藏的状态过程，在不同的状态下驱动不同的事件动力学。本文提出了一种马尔可夫调制霍克斯过程（MMHP）模型，用于学习这种混合的社会交互事件动力学，并开发了相应的推理算法。利用合成数据进行的数值实验表明，MMHP与所提出的估计算法在仿真中一致地恢复了真实的隐藏状态过程，一所大型大学的电子邮件数据和一项动物行为研究的数据表明，该程序捕捉到了不同的事件动态，揭示了真实数据中有趣的社会结构。

MSC公司：

62第25页 统计学在社会科学中的应用
60G55型 点过程（例如，泊松、考克斯、霍克斯过程）
2015年1月62日 贝叶斯推断

关键词：

贝叶斯推断;异构点过程;潜在马尔可夫过程;自激过程;社会互动动力学
PDF格式BibTeX公司 XML格式引用
\textit{J.Wu}等人，Ann.Appl。Stat.16，No.2，1171--1190（2022；Zbl 1498.62328）
全文： 内政部 arXiv公司

参考文献：

[1] BARABASI，A.-L.（2005）。人类动力学中爆发和重尾的起源。自然435 207-211。
[2] Blei，D.M.、Kucukelbir，A.和McAuliffe，J.D.（2017）。变分推理：统计学家综述。J.Amer。统计师。协会。112 859-877. ·doi:10.1080/01621459.2017.1285773
[3] BLEI，D.M.和LAFFERTY，J.D.（2006年）。动态主题模型。在会议记录23第三届国际机器学习会议113-120. 纽约ACM。
[4] BROWN，E.N.、BARBIERI，R.、VENTURA，V.、KASS，R.E.和FRANK，L.M.（2002）。时间尺度定理及其在神经尖峰序列数据分析中的应用。神经计算。14 325-346. ·Zbl 0989.62060号
[5] COHN，I.、EL-HAY，T.、FRIEDMAN，N.和KUPFERMAN，R.（2009）。连续时间贝叶斯网络的平均场变分近似。在第二十五届人工智能不确定性会议记录91-100. AUAI出版社·Zbl 1242.68215号
[6] Dempster，A.P.、Laird，N.M.和Rubin，D.B.（1977年）。通过EM算法从不完整数据中获得最大似然。J.罗伊。统计师。Soc.序列号。B类39 1-38. ·Zbl 0364.62022号
[7] DU，N.、FARAJTABAR，M.、AHMED，A.、SMOLA，A.J.和SONG，L.（2015）。Dirichlet-Hawkes进程与应用程序一起对连续时间的文档流进行集群。在会议记录21第届ACM SIGKDD知识发现和数据挖掘国际会议219-228.
[8] FISCHER，W.和MEIER-HELLSTERN，K.（1993）。Markov-modulated-Poisson过程（MMPP）食谱。执行。评估。18 149-171. ·Zbl 0781.60098号 ·doi:10.1016/0166-5316（93）90035-S
[9] 福尼，G.D.JR.（1973）。维特比算法。程序。电气与电子工程师协会61 268-278.
[10] Gelman，A.、Carlin，J.B.、Stern，H.S.、Dunson，D.B.、Vehtari，A.和Rubin，D.B.（2014）。贝叶斯数据分析，第3版。统计科学系列文章CRC出版社，佛罗里达州博卡拉顿·兹比尔1279.62004
[11] 郭J.、贝当古M.、布鲁贝克M.、卡彭特B.、古德里奇B.、霍夫曼M.、李D.、马勒茨基M.和盖尔曼A.（2014）。RStan：与Stan的R接口。
[12] 霍克斯，A.G.（1971）。一些自激和相互激点过程的谱。生物特征58 83-90. ·Zbl 0219.60029号 ·doi:10.1093/biomet/58.1.83
[13] HAWKES，A.G.（2018）。霍克斯过程及其在金融中的应用：综述。数量。财务18 193-198. ·doi:10.1080/14697688.2017.1403131
[14] KOSSINETS，G.和WATTS，D.J.（2006年）。对不断发展的社交网络进行实证分析。科学类311 88-90. ·Zbl 1226.91055号 ·doi:10.1126/科学.1116869
[15] Kullback，S.和Leibler，R.A.（1951年）。关于信息和充分性。安。数学。斯达。22 79-86. ·Zbl 0042.38403号 ·doi:10.1214/aoms/1177729694
[16] LEIVA，D.、SOLANAS，A.和SALAFRANCA，L.（2008）。测试社交互动中的互惠性：方向一致性和偏对称性统计的比较。行为。研究方法40 626-634.
[17] LINDERMAN，S.和ADAMS，R.（2014）。发现点过程数据中潜在的网络结构。在国际机器学习会议1413-1421.
[18] 刘毅、格尔曼A.和郑T.（2015）。模拟效率最高的最短概率间隔。统计计算。25 809-819. ·Zbl 1331.62154号 ·doi:10.1007/s11222-015-9563-8
[19] MCDONALD，D.B.和SHIZUKA，D.（2012）。优势网络中的比较传递性和时间有序性。行为。经济。24 511-520.
[20] OGATA，Y.（1981）。关于点过程的Lewis模拟方法。IEEE传输。Inf.理论27 23-31. ·兹比尔0449.60037
[21] PERRY，P.O.和WOLFE，P.J.（2013）。定向交互网络的点过程建模。J.R.统计社会服务。B.统计方法。75 821-849. ·Zbl 1411.60076号 ·doi:10.1111/rssb.12013
[22] Rabiner，L.R.（1989）。语音识别中隐藏马尔可夫模型和选定应用的教程。程序。电气与电子工程师协会77 257-286.
[23] RAO，V.和TEH，Y.W.（2013）。马尔可夫跳过程和扩展的快速MCMC采样。J.马赫。学习。物件。14 3295-3320. ·Zbl 1318.60078号
[24] SCOTT，S.L.和SMYTH，P.（2003）。马尔可夫调制泊松过程和马尔可夫泊松级联及其在网络流量建模中的应用。在贝叶斯统计, 7 (特内里费岛, 2002) 671-680. 牛津大学出版社，纽约。
[25] SIMMA，A.和JORDAN，M.I.（2010年）。用泊松过程级联建模事件。在第二十六届人工智能不确定性会议记录546-555.
[26] SO，N.、FRANKS，B.、LIM，S.和CURLEY，J.P.（2015）。社交网络方法揭示了小鼠社交优势和大脑基因表达之间的联系。公共科学图书馆10 e0134509·doi:10.1371/journal.pone.0134509
[27] VEEN，A.和SCHOENBERG，F.P.（2008）。使用EM型算法估计地震学中的时空分支过程模型。J.Amer。统计师。协会。103 614-624. ·Zbl 1469.86010号 ·doi:10.1198/0162145000000148
[28] VRIES，H.D.（1998）。找到与线性层次结构最一致的支配顺序：一个新的程序和综述。阿尼姆。行为。55 827-843.
[29] WANG，T.、BEBBINGTON，M.和HARTE，D.（2012年）。逐步衰减的马尔科夫调制霍克斯过程。Ann.Inst.统计。数学。64 521-544之间·Zbl 1237.62181号 ·doi:10.1007/s10463-010-0320-7
[30] WANG，Y.、DU，N.、TRIVEDI，R.和SONG，L.（2016）。用于连续时间用户-项目交互的协同进化潜在特征过程。在神经信息处理系统研究进展4547-4555.
[31] WEISS，J.、NATARAJAN，S.和PAGE，D.（2012年）。连续时间过程的乘法森林。在神经信息处理系统研究进展458-466.
[32] 威廉姆森·C.M.、李·W和柯里·J.P.（2016）。雄性小鼠社会等级形成和维持的时间动力学。阿尼姆。行为。115 259-272.
[33] 威廉姆森·C.M.、罗密欧·R.D.和库利·J.P.（2017）。社交机会后雄性小鼠社交优势和mPOA-GnRH表达的动态变化。霍姆。行为。87 80-88. ·doi:10.1016/j.yhbeh.2016.11.001
[34] WU，J.、WARD，O.G.、CURLEY，J.和ZHENG，T.（2022）。补充“Markov-modulated Hawkes过程，用于模拟社交中零星和突发事件的发生。”https://doi.org/10.1214/21-AOAS1539SUPP网站
[35] XU，H.和ZHA，H.（2017）。事件序列聚类的Hawkes过程Dirichlet混合模型神经信息处理系统研究进展1354-1363.
[36] 赵琦（ZHAO，Q.）、鄂尔多斯（ERDOGDU）（M.A.）、何海燕（HE，H.Y.）、拉贾拉曼（RAJARAMAN）（A.）和莱斯科维奇（LESKOVEC，J.）（2015）。地震：一个预测推特流行度的自激点过程模型。在会议记录21第届ACM SIGKDD知识发现和数据挖掘国际会议1513-1522. ACM，纽约
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。