Cardinality-Regularized Hawkes-Granger Model
基数正则化的 Hawkes–Granger 模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究时间事件数据的 Hawkes 点过程与 Granger 关系，最直接对应时间序列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基数正则化的 Hawkes–Granger 模型
- 研究问题
- 如何从时间事件数据学习稀疏的 Granger 因果关系？作者关注现有 Hawkes 方法的似然奇异性，以及由此产生的稀疏解是否可靠。
- 方法与思路
- 作者在 Hawkes 点过程中引入基数正则化，构建稀疏 Granger 关系学习框架，并用于逐事件分析，在电网及云数据中心案例中验证。
- 材料陈述的贡献
- 摘要称多数现有稀疏 Hawkes 学习算法存在最大似然奇异性，所提框架具有明确数学定义，并能修正导致稀疏解成为数值伪象的问题。
- 阅读关注点
- 应核对似然奇异性的具体来源、基数惩罚与可行参数域、算法求解保证，以及逐事件归因和 Granger 关系的统计含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出数学条件与验证指标，Granger 关系也不能仅凭摘要解释为干预效应。
原文摘要
We propose a new sparse Granger-causal learning framework for temporal event data. We focus on a specific class of point processes called the Hawkes process. We begin by pointing out that most of the existing sparse causal learning algorithms for the Hawkes process suffer from a singularity in maximum likelihood estimation. As a result, their sparse solutions can appear only as numerical artifacts. In this paper, we propose a mathematically well-defined sparse causal learning framework based on a cardinality-regularized Hawkes process, which remedies the pathological issues of existing approaches. We leverage the proposed algorithm for the task of instance-wise causal event analysis, where sparsity plays a critical role. We validate the proposed framework with two real use-cases, one from the power grid and the other from the cloud data center management domain.