新方法让Cox过程推断计算成本暴降，GPU友好且理论有保证！
Martingale Posterior Cox Processes
📖 AI 总结
该论文提出Martingale Posterior Cox Process（MPCP），将Cox过程的贝叶斯强度估计重新表述为在已观测事件历史条件下对未观测事件的推断，从而避免定义复杂的间接潜结构先验，同时保留非参数建模的灵活性。方法上，作者提出一种可扩展、适合GPU计算的基于copula的预测更新算法，并为预测重采样算法的收敛性提供了理论保证。实验表明，MPCP在模拟数据和真实数据上均表现优异，计算成本仅为竞争性贝叶斯方法的一小部分。该工作为事件型数据的非参数贝叶斯推断提供了一条无需昂贵MCMC采样、兼具可解释性与计算效率的新路径。
🔑 关键词速览
| Cox processes | Cox过程，一种通过潜在强度函数建模事件数据的贝叶斯非参数框架。 |
| Martingale Posterior | 鞅后验，一种通过预测重采样对未观测事件进行推断的贝叶斯方法。 |
| Intensity function | 强度函数，描述事件发生率的潜在函数，是Cox过程的核心。 |
| Copula-based predictive update | 基于Copula的预测更新，一种利用Copula函数进行预测分布更新的方法。 |
| Predictive resampling | 预测重采样，一种通过从预测分布中重采样来近似后验分布的算法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅