[논문 리뷰] Uncovering Causality from Multivariate Hawkes Integrated Cumulants

Massil Achab, Emmanuel Bacry외 3명|arXiv (Cornell University)|2016. 07. 21.

Point processes and geometric inequalities참고 문헌 41인용 수 47

한 줄 요약

이 논문은 적분 허크스 과정 커널 행렬을 파라미터형을 가정하지 않고 비모수적 방법으로 추정하는 NPHC를 제안한다. 이는 이차 및 삼차 적분 누산수를 사용한다. 이 방법은 다변량 점과정에서의 강건한 인과성 추론을 가능하게 하여, 시뮬레이션, MemeTracker, 금융 데이터에서 기존의 비모수적 및 모수적 방법보다 정확도와 속도 면에서 뛰어나다.

ABSTRACT

We design a new nonparametric method that allows one to estimate the matrix of integrated kernels of a multivariate Hawkes process. This matrix not only encodes the mutual influences of each nodes of the process, but also disentangles the causality relationships between them. Our approach is the first that leads to an estimation of this matrix without any parametric modeling and estimation of the kernels themselves. A consequence is that it can give an estimation of causality relationships between nodes (or users), based on their activity timestamps (on a social network for instance), without knowing or estimating the shape of the activities lifetime. For that purpose, we introduce a moment matching method that fits the third-order integrated cumulants of the process. We show on numerical experiments that our approach is indeed very robust to the shape of the kernels, and gives appealing results on the MemeTracker database.

연구 동기 및 목표

• 영향 커널의 형태에 대해 파라미터형을 가정하지 않고 다변량 허크스 과정의 적분 커널 행렬을 추정하기 위한 비모수적 방법을 개발하는 것.
• 타임스탬프 기반 이벤트 데이터로부터 노드 간 인과관계(예: 소셜 네트워크의 사용자 또는 금융 자산)를 추론하는 것.
• 고정된 커널 형태(예: 지수 또는 거듭제곱 법칙)를 가정하는 모수적 모델의 한계를 극복하는 것—실제 세계의 역동성과 맞지 않을 수 있음.
• 기존의 비모수적 방법(예: EM 알고리즘 또는 위너-홉프 해법)에 비해 계산적으로 효율적이고 강건한 대안을 제공하는 것.
• 다양한 데이터셋(예: MemeTracker 및 고빈도 금융 오더북 데이터 포함)에서 방법을 검증하여, 통합된 사실과 일관성을 보여주는 것.

제안 방법

• 관측된 이벤트 타임스탬프에서 유도된 이차 및 삼차 적분 누산수의 모멘트 일치를 사용한다.
• 각 노드가 다른 모든 노드에 미치는 영향의 총합을 코딩하는 적분 커널 행렬 G를 추정한다.
• 추정은 이차 및 삼차 누산수의 경험적 값과 이론적 값 간의 차이를 최소화하는 일반화된 모멘트 방법(GMM) 문제로 공식화된다.
• 직접 커널 추정을 피하기 위해 통합된 양에 초점을 맞추어 커널 형태의 잘못된 가정에 대한 민감도를 감소시킨다.
• 약한 정규성 조건 하에서 이론적으로 일致성이 입증되었으며, 관측 시간 T가 증가함에 따라 확률적 수렴이 성립함을 보였다.
• 알고리즘은 볼록 최적화 프레임워크를 통해 구현되어 빠르고 안정적인 수치적 해를 제공한다.

실험 결과

연구 질문

• RQ1 특정 파라미터형을 가정하지 않고도 다변량 점과정에서의 인과관계를 신뢰성 있게 추론할 수 있는가?
• RQ2 비모수적 누산수 기반 방법의 성능은 정확도 및 계산 비용 측면에서 모수적 및 기존 비모수적 방법과 비교해 어떻게 되는가?
• RQ3 진짜 커널 형태가 알려져 있지 않거나 지수형이 아닌 경우에도 이 방법이 얼마나 강건한가?
• RQ4 이 방법은 소셜 미디어 활동 및 금융 오더 플로우와 같은 실제 세계 데이터에서 의미 있는 인과관계 구조를 드러낼 수 있는가?
• RQ5 이질적인 상호작용 역동성을 가진 복잡한 시스템에서 내재성과 시간 지연된 영향을 탐지하는 능력을 유지하는가?

주요 결과

• NPHC 방법은 개별 커널의 형태에 대해 파라미터형을 가정하지 않고도 적분 커널 행렬 G의 일致된 추정을 달성한다.
• 수치 실험 결과 NPHC는 비단조화 또는 지연 효과를 가진 다양한 커널 형태에 대해 강건함을 보였다.
• MemeTracker 데이터셋에서 NPHC는 EM 기반 및 위너-홉프 기반 방법보다 정확도와 계산 효율성 면에서 뛰어나다.
• 금융 오더북 데이터에서는 짧은 기간 피드백 루프와 비대칭 영향과 같은 잘 알려진 통합된 사실과 일치하는 인과관계 구조를 추정하였다.
• 빠른 수렴과 낮은 분산을 보였으며, 표준 모멘트 조건 하에서 일치성에 대한 이론적 증명을 제공하였다.
• 누산수 일치를 통한 인과관계 추정은 우도 기반 또는 반복적 해법과 관련된 수치적 불안정성과 높은 계산 비용을 피한다.