[論文レビュー] Interval-censored Hawkes processes
本稿では、区間打ち切りデータ（時間間隔内のイベント数のみ観測される）に対してハーケス過程を適合可能にする新規の点過程、Mean Behavior Poisson Process (MBPP) を導入する。これは区間打ち切りポアソン対数尤度（IC-LL）を用いることで実現される。MBPPとハーケス過程との間で直接的なパラメータ対応関係を確立し、実世界のデータにおける人気予測において、先行研究の最良手法であるHIPモデルを上回る性能を示す。また、IC-LLをBregman損失の一般クラスと関連づけ、HIPがその特殊ケースであることを示している。
Interval-censored data solely records the aggregated counts of events during specific time intervals - such as the number of patients admitted to the hospital or the volume of vehicles passing traffic loop detectors - and not the exact occurrence time of the events. It is currently not understood how to fit the Hawkes point processes to this kind of data. Its typical loss function (the point process log-likelihood) cannot be computed without exact event times. Furthermore, it does not have the independent increments property to use the Poisson likelihood. This work builds a novel point process, a set of tools, and approximations for fitting Hawkes processes within interval-censored data scenarios. First, we define the Mean Behavior Poisson process (MBPP), a novel Poisson process with a direct parameter correspondence to the popular self-exciting Hawkes process. We fit MBPP in the interval-censored setting using an interval-censored Poisson log-likelihood (IC-LL). We use the parameter equivalence to uncover the parameters of the associated Hawkes process. Second, we introduce two novel exogenous functions to distinguish the exogenous from the endogenous events. We propose the multi-impulse exogenous function - for when the exogenous events are observed as event time - and the latent homogeneous Poisson process exogenous function - for when the exogenous events are presented as interval-censored volumes. Third, we provide several approximation methods to estimate the intensity and compensator function of MBPP when no analytical solution exists. Fourth and finally, we connect the interval-censored loss of MBPP to a broader class of Bregman divergence-based functions. Using the connection, we show that the popularity estimation algorithm Hawkes Intensity Process (HIP) is a particular case of the MBPP. We verify our models through empirical testing on synthetic data and real-world data.
研究の動機と目的
- 正確なイベント時刻が得られないが、時間間隔内のイベント数のみが観測される状況において、ハーケス過程を適合させる課題に対処すること。
- 独立増分の欠如や計算不能な尤度関数に起因する困難を克服し、集計された時間間隔データからハーケス過程のパラメータを原理的かつ一貫して推定する手法を開発すること。
- MBPPと自己励起型ハーケス過程との間のパラメータ対応関係を確立し、区間打ち切りデータ上での推論を可能にすること。
- 時間に観測された外部イベントを扱うための新たな二重インパルス関数と、時間間隔内の外部イベント数のみが観測される状況を想定した潜在的均一ポアソン過程関数を導入すること。
- 既存のハーケス強度過程（HIP）が、提案されたMBPPフレームワークの特殊ケースであることを示すこと。
提案手法
- ハーケス過程の期待強度と等しい強度関数を持つ非定常ポアソン過程として、Mean Behavior Poisson Process (MBPP) を定義する。
- イベント数の時間間隔ごとの観測値から正確なイベント時刻が不要な区間打ち切りポアソン対数尤度（IC-LL）を用いてMBPPを適合させる。
- 観測された外部イベントを時刻に依存する点過程としてモデル化するための二重インパルス外部関数と、時間間隔内での外部イベント数のみが観測される状況を想定した潜在的均一ポアソン過程外部関数を導入する。
- 特に複雑なカーネルに対して解析解が得られない場合の、MBPPの強度関数および補償関数の近似手法を提案する。
- IC-LL損失をより広範なBregman損失に基づく損失関数のクラスと関連づけ、HIPがそのフレームワーク内での特定のインスタンスであることを示す。
- 合成データおよび実世界データを用いた実験により、人気予測タスクにおけるHIPとの性能比較を通じて、手法の有効性を検証する。
実験結果
リサーチクエスチョン
- RQ1ハーケス過程のパラメータ構造を保ちつつ、区間打ち切り尤度推定に適した点過程を構築することは可能か？
- RQ2イベントの時間間隔内でのカウントのみが与えられる状況で、ハーケス過程の自己励起的ダイナミクスをどのように回復できるか？
- RQ3MBPPの区間打ち切り損失と、HIPで用いられるような既存の損失関数との関係は何か？
- RQ4外部イベントが正確な時刻として観測されるか、または時間間隔内のカウントとしてのみ観測される状況では、どのように外部イベントをモデル化できるか？
- RQ5MBPPフレームワークは、人気予測タスクにおいて、最先端のHIPモデルをどの程度上回るか？
主な発見
- MBPPフレームワークは、正確なイベント時刻が不要な区間打ち切りポアソン対数尤度（IC-LL）を用いることで、区間打ち切りデータに対するハーケス過程の適合を成功裏に実現した。
- MBPPは自己励起型ハーケス過程と直接的なパラメータ対応関係を確立しており、区間打ち切りカウントからハーケスのパラメータを回復可能である。
- 提案された二重インパルスおよび潜在的均一ポアソン外部関数により、時刻ベースおよびカウントベースの両方の設定において外部イベントを柔軟にモデル化できる。
- MBPPの区間打ち切り損失は、Bregman損失に基づく損失関数の特殊ケースであることが示され、HIPモデルがこのフレームワークの特定のインスタンスとして形式的に同定された。
- 実世界データセットを用いた実験的評価により、MBPPは人気予測タスクにおいてHIPモデルを上回り、より優れた予測精度を示した。
- 解析解が得られない状況においても、MBPPの強度関数および補償関数の近似手法は有効であり、実用的導入を可能にした。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。