Adaptive estimation for Hawkes processes; application to genome analysis
Hawkes过程的自适应估计及其基因组分析应用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。
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：虽然使用Hawkes过程，摘要明确应用于基因组事件，未提供金融高频或其他所列方向的直接依据。
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…
Hawkes过程的自适应估计及其基因组分析应用
- 研究问题
- 如何识别DNA序列中基因组事件之间偏好或回避的距离，并在复杂候选模型下自适应估计相关的Hawkes过程结构？
- 方法与思路
- 作者采用非渐近惩罚模型选择，构造满足预言机不等式的理论惩罚，提出Islands策略，并以模拟校准不可计算的乘法常数。
- 材料陈述的贡献
- 摘要称，理论估计对正则性在二分之一至一之间的Hölder函数具有自适应极小极大性质，并报告与生物知识相符的真实数据结果。
- 阅读关注点
- 阅读全文时应核对过程设定、候选模型族与预言机不等式的条件，以及Islands策略、惩罚常数校准和真实数据分析的细节。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未给出完整理论条件或模拟数值，基因组应用不能直接证明金融高频场景的有效性。
原文摘要
The aim of this paper is to provide a new method for the detection of either favored or avoided distances between genomic events along DNA sequences. These events are modeled by a Hawkes process. The biological problem is actually complex enough to need a nonasymptotic penalized model selection approach. We provide a theoretical penalty that satisfies an oracle inequality even for quite complex families of models. The consecutive theoretical estimator is shown to be adaptive minimax for Hölderian functions with regularity in (1/2, 1]: those aspects have not yet been studied for the Hawkes’ process. Moreover, we introduce an efficient strategy, named Islands, which is not classically used in model selection, but that happens to be particularly relevant to the biological question we want to answer. Since a multiplicative constant in the theoretical penalty is not computable in practice, we provide extensive simulations to find a data-driven calibration of this constant. The results obtained on real genomic data are coherent with biological knowledge and eventually refine them.