Online Learning for Multivariate Hawkes Processes
Online Learning for Multivariate Hawkes Processes
复制标题
多元霍克斯过程的在线学习
DOI：
--
复制
发表时间：
2017
期刊：
影响因子：
--
通讯作者：
N. Kiyavash
中科院分区：
文献类型：
--
作者：
Yingxiang Yang;Jalal Etesami;Niao He;N. Kiyavash
提出了一种非参数在线学习算法，用于估计多变量Hawkes过程的触发函数。我们采用的方法通过再现核希尔伯特空间（RKHS）中的函数逼近触发函数$f_{i,j}(t)$，并使用Tikhonov正则化最大化对数似然的时间离散版本。从理论上讲，我们的算法实现了一个$\calO(\log T)$后悔界。数值结果表明，该算法具有与非参数批量学习算法相媲美的性能，其运行时间与参数在线学习算法相当。
We develop a nonparametric and online learning algorithm that estimates the triggering functions of a multivariate Hawkes process (MHP). The approach we take approximates the triggering function $f_{i,j}(t)$ by functions in a reproducing kernel Hilbert space (RKHS), and maximizes a time-discretized version of the log-likelihood, with Tikhonov regularization. Theoretically, our algorithm achieves an $\calO(\log T)$ regret bound. Numerical results show that our algorithm offers a competing performance to that of the nonparametric batch learning algorithm, with a run time comparable to the parametric online learning algorithm.
使用再生核进行泊松强度估计
影响因子：
1.1
作者：
Flaxman S
通讯作者：
Flaxman S
影响因子：
8.1
作者：
Gheorghe, AV;Birchmeier, J;Kröger, W
通讯作者：
Kröger, W