Causal Discovery in Hawkes Processesby Minimum Description Length

 AAAI的另一篇因果发现论文 占坑于此汇报完写，欢迎看了的朋友们交流

【摘要】

霍克斯过程是一类特殊的时间点过程，它表现出一种自然的因果关系概念，因为过去发生的事件可能会增加未来事件的概率。在需要对高频数据进行建模的学科中，例如金融数据或地震数据，发现多维时间过程各维度之间的基本因果关系网络是非常重要的。

本文探讨了在多维Hawkes过程中学习Granger-causal网络的问题。我们将这个问题表述为一个模型选择任务，其中我们遵循最小描述长度（MDL）原则。此外，我们提出了一种使用蒙特卡洛方法的基于MDL推理的通用算法，并将其用于我们的因果发现问题。我们将我们的算法与最先进的基线方法在合成和现实世界的金融数据上进行比较。合成实验表明，与基线方法相比，我们的方法在因果图发现方面的优势在于数据的大小。七国集团债券价格数据的实验结果与专家的知识一致。

【结论】

我们提出了一个使用蒙特卡洛积分估计的基于mdl的目标函数的实际估计的一般程序。在这个过程中，我们构造了一个MDL目标函数来推断多维Hawkes过程的granger -因果图。在合成实验中，我们证明了我们的方法在短事件序列的因果发现方面的显著优越性。在一个真实的G-7键实验中，我们的方法给出了一个比基线方法更可信的因果图。