Upper confidence bound multi-armed bandits for partially observed Hawkes processes
Notice bibliographique
Résumé
We consider the problem of estimating and ranking a set of self-excited point processes when an action must be taken to observe the events of each process. This situation arises in a number of real-world applications, for example, when crime goes unreported in some regions, or COVID-19 cases are undetected due to a lack of testing resources. Often times, such self-excited events may bear implicit causality. Therefore, we start with Hawkes Processes to model how one event triggers the other. In the scenario of undersampling, we propose Hawkes Process Multi-armed Bandits for learning such point processes to quickly learn the riskiest point processes, while carefully balancing exploitation of known (observed) point processes and exploration of unknown processes. By considering the cumulative number of events of each process as a reward, we derive an upper confidence bound on the counting process to inform actions in the form of which processes to observe in upcoming MAB rounds, based on the history of the partially observed point processes. We then derive a regret bound that scales logarithmically with the number of rounds of observation. We test our model on simulated datasets, crime report data in Vancouver and Los Angeles, and earthquake event data from Alaska, California, and worldwide. Our model outperforms several state-of-the-art MAB algorithms that can be adapted to non-stationary point process estimation across the datasets and performance metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».