PulseAugur
中
实时 11:12:09
English(EN) NeuroMem-FHP: A Likelihood-Free Deep Learning Framework for Parameter Estimation of Fractional Hawkes Process

深度学习框架 NeuroMem-FHP 增强了分数 Hawkes 过程的参数估计能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了 NeuroMem-FHP，这是一个用于估计分数 Hawkes 过程 (FHP) 参数的深度学习框架。该框架利用长短期记忆 (LSTM) 和 Transformer 神经网络，直接从到达间隔时间序列推断模型参数，绕过了计算量大的似然优化。实验表明，在合成和真实世界数据集上，Transformer 模型均优于 LSTM 和传统的最大似然估计 (MLE)，这些数据集包括 Apple Inc. 的金融交易数据和蒙哥马利县的紧急呼叫记录。 AI

影响 为具有长记忆动态的事件驱动系统的建模提供了比传统方法更准确、更高效的替代方案。

排序理由 该集群包含一篇详细介绍用于参数估计的新深度学习框架的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

深度学习框架 NeuroMem-FHP 增强了分数 Hawkes 过程的参数估计能力

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Neha Gupta, Aditya Maheshwari ·

    NeuroMem-FHP：用于分数 Hawkes过程参数估计的无似然深度学习框架

    arXiv:2607.11177v1 Announce Type: cross 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 Mitt…

  2. arXiv stat.ML TIER_1 English(EN) · Aditya Maheshwari ·

    NeuroMem-FHP：用于分数 Hawkes过程参数估计的无似然深度学习框架

    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 architect…

相关实体

相关话题