长沙网站备案拍照点虚拟空间的网站赚钱吗

长沙网站备案拍照点,虚拟空间的网站赚钱吗,门户网站 制作多少钱,wordpress说说加分类目录一、研究背景与问题二、核心理论基础#xff08;一#xff09;多元霍克斯过程定义#xff08;二#xff09;关键定义#xff08;三#xff09;连续时间到离散时间的转化#xff08;四#xff09;基于秩约束的结构发现三、算法设计#xff1a;两阶段迭代算法#…目录一、研究背景与问题二、核心理论基础一多元霍克斯过程定义二关键定义三连续时间到离散时间的转化四基于秩约束的结构发现三、算法设计两阶段迭代算法一算法流程二可识别性与复杂度四、实验验证一实验设置二实验结果五、结论与未来方向六、附录补充一、研究背景与问题霍克斯过程的应用价值多元霍克斯过程Multivariate Hawkes Process是建模复杂系统中时间依赖和事件驱动交互的强大框架广泛应用于社交网络、神经科学、金融等领域。现有方法的局限现有方法多聚焦于揭示观测子过程间的因果结构默认“因果充分性”假设所有与任务相关的子过程均被观测但现实系统常存在部分观测的情况潜在子过程会干扰因果发现可能导致观测子过程间出现虚假因果边得出错误系统动态结论。研究目标在无潜在子过程存在性、数量、连接位置等先验知识的情况下恢复观测子过程与潜在子过程间的因果结构。论文Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks 地址https://openreview.net/forum?idmA78uXqcnl请各位同学给我点赞激励我创作更好、更多、更优质的内容^_^关注微信公众号获取更多资讯二、核心理论基础一多元霍克斯过程定义由计数子过程集合N G { N i } i 1 l N_{G}\{N_{i}\}_{i1}^{l}NG​{Ni​}i1l​构成N i ( t ) N_{i}(t)Ni​(t)记录截至时间t tt的i ii类事件数。子过程N i N_{i}Ni​的强度函数为λ i ( t ) μ i ∑ j 1 l ∫ 0 t ϕ i j ( t − s ) d N j ( s ) \lambda_{i}(t)\mu_{i}\sum_{j1}^{l} \int_{0}^{t} \phi_{i j}(t-s) d N_{j}(s)λi​(t)μi​∑j1l​∫0t​ϕij​(t−s)dNj​(s)其中μ i \mu_{i}μi​为背景强度ϕ i j ( s ) \phi_{i j}(s)ϕij​(s)为激发函数衡量历史j jj类事件对后续i ii类事件的衰减影响。平稳性要求影响矩阵Φ \PhiΦ元素Φ i j ∫ 0 ∞ ϕ i j ( s ) d s \Phi_{i j}\int_{0}^{\infty} \phi_{i j}(s) d sΦij​∫0∞​ϕij​(s)ds的谱半径小于1。图1多元霍克斯过程示意图。a包含三个子过程N 1 N_{1}N1​、N 2 N_{2}N2​、N 3 N_{3}N3​的点过程表示其中连续时间线被划分为长度为Δ的区间。b相应的汇总因果图这是本文的核心对象具有因果关系N 1 ← N 2 ↔ N 3 N_{1} \leftarrow N_{2} \leftrightarrow N_{3}N1​←N2​↔N3​且所有节点上都有自环。c窗口因果图展示了潜在的时滞因果机制每个节点表示长度为Δ的一个区间内的计数该计数被建模为滞后父节点的加权和加上噪声式1。d一个包含潜在子过程L 1 L_{1}L1​混淆O 1 O_{1}O1​和O 2 O_{2}O2​的最小示例突出了本文的主要研究重点。二关键定义部分观测多元霍克斯过程因果模型PO-MHP有向图G : ( N G , E G ) G:(N_{G}, E_{G})G:(NG​,EG​)节点代表子过程含p pp个观测节点O G O_{G}OG​和q qq个潜在节点L G L_{G}LG​有向边E i j E_{i j}Eij​存在当且仅当∫ 0 t ϕ i j ( t − s ) d N j ( s ) 0 \int_{0}^{t} \phi_{i j}(t-s) d N_{j}(s)0∫0t​ϕij​(t−s)dNj​(s)0允许循环和自环。因果关系若存在从N i N_{i}Ni​到N j N_{j}Nj​的有向路径则N i N_{i}Ni​是N j N_{j}Nj​的原因N j N_{j}Nj​是N i N_{i}Ni​的结果。父因集对N i N_{i}Ni​最小集合P G ⊆ N G ∖ { N i } P_{G} \subseteq N_{G}\setminus\{N_{i}\}PG​⊆NG​∖{Ni​}所有从N G ∖ { N i } N_{G}\setminus\{N_{i}\}NG​∖{Ni​}到N i N_{i}Ni​的有向路径均经过P G P_{G}PG​若N i N_{i}Ni​有自环则自身也包含于P G P_{G}PG​。局部独立性子过程N i N_{i}Ni​在给定P G P_{G}PG​时与N G ∖ P G N_{G}\setminus P_{G}NG​∖PG​局部独立当且仅当P G P_{G}PG​是N i N_{i}Ni​的父因集。三连续时间到离散时间的转化定理4.1霍克斯过程作为线性自回归模型当时间窗口大小Δ → 0 \Delta \to 0Δ→0时平稳多元霍克斯过程可表示为线性自回归模型N i ( n ) ∑ j 1 l ∑ k 1 n θ i j ( k ) N j ( n − k ) ε i ( n ) θ i ( 0 ) N_{i}^{(n)}\sum_{j1}^{l} \sum_{k1}^{n} \theta_{i j}^{(k)} N_{j}^{(n-k)}\varepsilon_{i}^{(n)}\theta_{i}^{(0)}Ni(n)​∑j1l​∑k1n​θij(k)​Nj(n−k)​εi(n)​θi(0)​其中N i ( n ) N_{i}^{(n)}Ni(n)​为第n nn个时间窗口的离散事件计数θ i ( 0 ) Δ ⋅ μ i \theta_{i}^{(0)}\Delta \cdot \mu_{i}θi(0)​Δ⋅μi​θ i j ( k ) ∫ ( k − 1 ) Δ k Δ ϕ i j ( s ) d s \theta_{i j}^{(k)}\int_{(k-1) \Delta}^{k \Delta} \phi_{i j}(s) d sθij(k)​∫(k−1)ΔkΔ​ϕij​(s)dsε i ( n ) \varepsilon_{i}^{(n)}εi(n)​为序列不相关的白噪声。实际处理激发函数通常有有限支撑可截断滞后项至有效滞后数K KK通过网格搜索选择合适Δ \DeltaΔ需小于激发函数支撑且使恢复结构对Δ \DeltaΔ小扰动稳健。四基于秩约束的结构发现引理4.2窗口图中的d-分离与秩约束在PO-MHP的窗口因果图中变量集C v C_{v}Cv​d-分离A v A_{v}Av​和B v B_{v}Bv​当且仅当交叉协方差矩阵∑ A v ∪ C v , B v ∪ C v \sum _{A_{v} \cup C_{v}, B_{v} \cup C_{v}}∑Av​∪Cv​,Bv​∪Cv​​的秩等于∣ C v ∣ |C_{v}|∣Cv​∣。观测父因集识别命题4.3在PO-MHP中观测子过程O 1 O_{1}O1​的父因集P G P_{G}PG​子集于O G O_{G}OG​等价于窗口图中P G P_{G}PG​对应滞后变量集P v P_{v}Pv​是包含O 1 ( n ) O_{1}^{(n)}O1(n)​所有父变量的最小集、d-分离O 1 ( n ) O_{1}^{(n)}O1(n)​与其他变量、交叉协方差矩阵满足特定秩条件。潜在混杂子过程识别假设1激发函数ϕ i j ( s ) a i j w ( s ) \phi_{i j}(s)a_{i j} w(s)ϕij​(s)aij​w(s)a i j a_{i j}aij​为常数衡量事件类型间影响w ( s ) w(s)w(s)为仅依赖时滞的公共衰减函数如指数衰减。对称无环路径场景定义4.4潜在混杂子L 1 L_{1}L1​到观测效应子过程集O G 1 O_{G1}OG1​的有向路径仅含中间潜在子过程、路径长度相同且无环中间潜在子过程无自环。命题4.5从观测效应识别潜在混杂在秩忠实性假设下特定交叉协方差矩阵秩为2 m 1 2m 12m1m mm为有效滞后数当且仅当存在潜在混杂子L 1 L_{1}L1​为O 1 , O 2 O_{1}, O_{2}O1​,O2​父因集成员且L 1 L_{1}L1​与O 1 , O 2 O_{1}, O_{2}O1​,O2​满足对称路径场景。观测代理定义4.6为推断的潜在子过程L 1 L_{1}L1​指定一个观测效应作为代理如D e ( L 1 ) O 1 De(L_{1})O_{1}De(L1​)O1​S i b ( D e ( L 1 ) ) Sib(De(L_{1}))Sib(De(L1​))为其他受L 1 L_{1}L1​影响的观测子过程集。定理4.7含潜在混杂的父因集识别通过观测代理构建变量集交叉协方差矩阵满足特定秩条件可识别含潜在混杂的父因集。定理4.8从潜在混杂识别潜在混杂扩展定理4.7可识别影响已有潜在混杂子过程的新潜在混杂子过程。三、算法设计两阶段迭代算法一算法流程初始化部分因果图G : ∅ G:\emptysetG:∅活跃子过程集A G : O G A_{G}:O_{G}AG​:OG​初始为观测子过程集。迭代循环Phase I因果关系识别遍历A G A_{G}AG​中每个子过程用当前A G ∪ O G A_{G} \cup O_{G}AG​∪OG​测试其父因若父因集完全包含于该集合用命题4.3和定理4.7识别将子过程从A G A_{G}AG​移除直至无更新。Phase II新潜在子过程发现若Phase I无法进一步识别穷举A G A_{G}AG​中所有对子用命题4.5和定理4.8搜索新潜在混杂子合并重叠对子对应的潜在子更新A G A_{G}AG​添加新潜在子、移除其效应子返回Phase I。终止条件A G A_{G}AG​为空或无更新输出因果图G GG。二可识别性与复杂度定理5.1因果图可识别性在激发函数假设和秩忠实性下若每个潜在混杂子及其至少2个观测代理满足对称路径场景则含观测与潜在混杂子的因果图可识别无潜在子时仅Phase I即可完全识别。计算复杂度依赖子过程数量含潜在混杂子和因果图密度Phase I复杂度上界为O ( n ! ∑ k 1 m ( m k ) ) O(n! \sum_{k1}^{m}\binom{m}{k})O(n!∑k1m​(km​))n nn为A G A_{G}AG​中子过程数m mm为增强过程集T G T_{G}TG​中子过程数Phase II复杂度上界为O ( ( n 2 ) ) O(\binom{n}{2})O((2n​))。四、实验验证一实验设置数据集合成数据6类合成图含全观测图和5类含潜在子的图对比方法包括基于似然的霍克斯方法SHP、THP、NPHC、基于秩的i.i.d.方法Hier. Rank、RLCD、时间序列方法LPCMCI评估指标为F1分数综合精确率和召回率。真实数据公开蜂窝网络数据集含18类告警、55个设备、约3.5万事件聚焦设备id8的5类告警子图将Alarm_id7设为潜在子。实现细节合成数据用tick库生成霍克斯过程事件序列离散化时间窗口长度设为0.1有效滞后数根据相关性确定标准化离散数据用典型相关分析CCA测试秩缺陷。二实验结果合成数据所提方法Discrete和Hawkes两种版本在所有场景下F1分数均高于基线潜在子场景需更大样本量因果影响沿潜在路径衰减需更多数据可靠检测。真实数据成功识别出潜在子Alarm_id7及其主要影响F1分数0.76显著高于基线最高0.49合并所有设备数据时因违背“相同生成机制”假设F1分数降至0.17验证了按设备分析的合理性。敏感性与稳健性分析时间离散化间隔Δ \DeltaΔΔ ≤ 0.1 \Delta \leq 0.1Δ≤0.1时性能稳定且高Δ 0.3 \Delta0.3Δ0.3时因时间分辨率丢失性能骤降。秩测试阈值阈值0.1在不同场景下平衡精确率和召回率。秩忠实性违背随机为两条边分配相同系数方法仍保持良好性能样本量增大时性能提升。对称路径条件违背轻微破坏对称路径插入1 - 2个中间潜在子性能仅轻微下降证明方法实用稳健。小样本量5k样本下所提方法仍保持有竞争力的精确率和F1分数。大规模复杂图14个子过程的复杂图上随样本量增加F1分数逐步提升30k样本0.5880k样本0.75。五、结论与未来方向结论提出PO-MHP框架通过子协方差秩条件和路径约束推导可识别性的充要条件设计两阶段迭代算法在合成和真实数据上验证了方法能有效恢复含潜在混杂子的因果结构。未来方向放松激发函数假设如引入节点特定衰减率、降低算法复杂度、将方法应用于更多真实数据集以获取领域洞察。六、附录补充含详细相关工作点过程、霍克斯过程、因果发现、多元霍克斯过程细节、中间潜在子过程识别、秩忠实性、算法细节、复杂度分析、实验补充数据生成、评估指标、更多场景结果等内容为理论和实验提供完整支撑。