贝叶斯非参数泊松过程分配用于时间序列建模
摘要：分析多个时间序列的基本结构，为理解社交网络和人类活动提供了见解。在这项工作中，我们提出了Bayesian nonparametric Poisson process allocation（BaNPPA），这是一个用于时间序列的潜在函数模型，可以自动推断潜在函数的数量。我们将每个序列的强度建模为无限混合潜在函数，其中每个函数都是从高斯过程中抽取得到的。我们发现，针对这种混合模型的推断的一个技术挑战是潜在函数权重的不可辨识性。我们提出通过在变分推断算法中调节每个潜在函数的体积来解决这个问题。我们的算法在计算效率上很高，并且可以很好地处理大型数据集。通过对合成数据集和真实数据集进行实验证明了我们提出的模型的有用性。
作者：Hongyi Ding, Mohammad Emtiyaz Khan, Issei Sato, Masashi Sugiyama
论文ID：1705.07006
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-04-04