Hawkes Processes
PulseAugur coverage of Hawkes Processes — every cluster mentioning Hawkes Processes across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新指标 xGI 使用 Hawkes 过程量化球员贡献
研究人员开发了一种名为预期进球参与度 (xGI) 的新指标，以更好地量化球员在足球比赛中的贡献。该指标利用多元 Hawkes 过程 (MHPs) 对传球和射门的连续时间序列进行建模，从而可以将功劳分配给进攻序列中的多个传球。与仅归功于进球前最后一次传球的传统统计数据不同，xGI 识别出在创造得分机会方面发挥关键作用的球员，从而提供对进攻参与度和球员表现更全面的看法。
-
新的高斯过程模型增强了对自激计数数据的分析
研究人员开发了一种名为高斯过程离散霍克斯过程（GP-DHP）的新统计模型，用于分析过去事件会影响未来发生的离散时间计数数据。该半参数模型对基线和激励分量均使用高斯过程先验，能够估计多样的激励形状和变化的基线。GP-DHP在包括疾病监测、枪击事件和恐怖主义事件在内的各种真实世界数据集上均显示出优越或相当的预测准确性。
-
新的KSTPP框架利用Kronecker代数增强时空事件建模
研究人员引入了一个名为Kronecker-Structured Nonparametric Spatiotemporal Point Process (KSTPP) 的新框架，旨在改进时空领域事件的建模和预测。该模型通过提供更大的灵活性并实现事件关系的可解释发现，解决了传统泊松过程和霍克斯过程的局限性。KSTPP使用空间高斯过程来表示背景强度，并使用时空高斯过程来表示影响核，从而整合了丰富的交互模式。该框架采用可分离乘积核和Krone…
-
研究人员开发并行算法以加速霍克斯过程推断
研究人员开发了一种大规模并行算法，用于估计多元霍克斯过程（一种自激点过程）。他们的方法利用稀疏转移矩阵和并行前缀扫描，在 P 个处理器上实现了约 O(N/P) 的计算复杂度，显著加快了计算速度。该方法在不进行近似的情况下计算精确似然，并在大型数据集上展示了数量级的加速效果，并提供了一个开源的 PyTorch 库。