从基于实例自我注意力的 Hawkes 过程中学习格兰杰因果性
内容提要
本文综述基于Hawkes过程的事件序列因果发现方法，包括自注意力Hawkes、结构Hawkes、稀疏Granger因果学习及CAUSE等框架，用于识别事件类型间的复杂依赖与因果结构，并在金融、电网、云数据中心等数据上验证有效性。
延伸解读
方法演进：从统计模型到深度学习
文章梳理了基于Hawkes过程的因果发现方法从传统统计模型到深度学习模型的演进。早期方法如稀疏Granger因果学习框架（2016）依赖数学严谨的稀疏性假设，而后续的self-attentive Hawkes（2019）和THP（2022）引入自注意力与Transformer，能捕捉更长历史依赖和复杂模式。这一趋势显示，深度学习在拟合强度函数和识别复杂依赖上更具优势，但传统方法在可解释性和理论保证上仍有价值。
因果推断的关键挑战与应对
文章指出，事件序列因果发现面临同步发生、异步互依等挑战。Structure Hawkes Processes（2023）利用瞬时效应解决同步因果识别；CAUSE（2020）则通过神经点过程隐式捕捉互依存关系，再以公理归因提取格兰杰因果统计量，处理异步多类型事件。这些方法表明，针对不同数据特性（同步/异步、离散/连续）需采用不同策略，没有单一模型能通用解决所有因果发现问题。
实际应用与验证领域
文章提到多个方法在金融、电网、云数据中心等真实数据上验证。例如，稀疏Granger因果学习框架在电力网和云数据中心管理中进行案例验证；MDL算法在金融数据实验中表现优异；CAUSE在多个数据集上优于最先进方法。这些应用显示，基于Hawkes过程的因果发现能处理高维、相互依赖的事件流，为金融风险、电网故障、云资源管理等场景提供因果洞察，但实际部署需考虑数据质量和计算成本。
Q&A
Hawkes过程在因果发现中有什么作用？
Hawkes过程用于建模事件序列中的自激和互激效应，从而识别事件类型之间的因果依赖关系。文章综述了基于Hawkes过程的多种因果发现方法，如自注意力Hawkes、结构Hawkes等，用于学习格兰杰因果结构。
自注意力Hawkes过程相比传统方法有什么优势？
自注意力Hawkes过程利用self-attention机制拟合强度函数，能更好地识别时间事件之间的复杂依赖关系，捕捉更长的历史信息，并对多变量事件序列进行有效的复杂模式预测，优于传统统计方法和深度循环神经网络。
结构Hawkes过程如何解决因果同步发生的问题？
结构Hawkes过程（SHPs）利用瞬时效应来解决因果关系同步发生的识别问题，从而从离散时间事件序列中学习事件类型之间的因果结构。
CAUSE框架是如何推断格兰杰因果关系的？
CAUSE框架通过拟合神经点过程来隐式捕捉事件互依存关系，然后使用公理归因方法从过程中提取格兰杰因果统计量，以解决学习异步、相互依赖、多类型事件序列的格兰杰因果关系问题。
稀疏Granger因果学习框架在哪些实际领域得到了验证？
稀疏Granger因果学习框架在电力网和云数据中心管理领域进行了两个实际案例的验证。
有哪些基于Hawkes过程的模型用于事件预测？
基于Hawkes过程的模型包括：Transformer和Hawkes过程的模型（THP），能捕捉短期和长期时间依赖并集成结构性知识改善预测；以及使用LSTM通过多维点过程建模离散事件流，可实现事件预测，包括缺失数据情况下的预测。
