跳转至

Neural Networks for Parameter Estimation of the Discretely Observed Hawkes Process

讲者: Feng Chen
会场: Advances in Deep Learning for Interdisciplinary Data
报告题目: Neural Networks for Parameter Estimation of the Discretely Observed Hawkes Process
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：当一个随机点过程（Hawkes过程）的样本路径只能被离散观测（即只知道等长或不等长时间区间内的事件总数，而不知道具体事件发生时刻）时，如何估计其模型参数。由于此时似然函数解析不可解，传统极大似然估计（MLE）和期望最大化（EM）算法不可行。当前该方向的成熟度处于“方法百花齐放但各有明显短板”的阶段：已有近似似然法（谱估计、INAR近似、路径重建EM）和精确模拟法（粒子MCMC），但它们在精度与计算时间之间存在难以调和的权衡。

发展脉络（history）

从论文引言和参考文献梳理，该方向的发展可串成以下主线：

  • 奠基工作（1970s-1980s）：Hawkes (1971) 提出自激点过程模型；Hawkes & Oakes (1974) 给出其聚类过程表示；Ogata (1978) 和 Ozaki (1979) 建立了连续观测下的MLE理论。这些工作奠定了“当所有事件时间已知时，参数可被有效估计”的基础。
  • 离散观测下的早期近似方法（2017-2022）：Kirchner (2017) 提出用整数自回归（INAR）模型近似Hawkes过程，从计数数据中获取估计——这是最早的系统性尝试，但近似误差难以控制。Cheysson & Lang (2022) 推导了Whittle谱估计，证明其一致性和渐近正态性，但仅适用于等宽区间和常数背景率。Shlomovich et al. (2022b) 提出一种修正EM算法（MCEM），在E步确定性地重建完整样本路径，声称能捕捉区间内外的自激效应——但Chen et al. (2025) 和 Lambe et al. (2025) 指出该方法存在显著偏差，且未提供不确定性量化。
  • 路径重建与迭代方法（2023）：Schneider & Weber (2023) 提出RISC算法，通过迭代模拟-修正来匹配观测计数。论文引言评价其“每种算法都有偏差，在模拟实验中表现与MCEM相似”，且同样未解决标准误估计问题。
  • 精确似然方法（2024-2025）：Chen et al. (2024) 提出伪边际Metropolis-Hastings（PMMH）算法，用序贯蒙特卡洛（SMC）估计不可解似然，得到近似无偏的MLE，且自动提供标准误。Lambe et al. (2025) 将其扩展到多变量情形并改进了统计效率。论文引言明确指出：“PMMH估计表现非常好，但计算成本极高，尤其对非马尔可夫Hawkes过程”。
  • 本文位置（2026）：本文提出一种似然自由的神经网络（NN）方法，旨在达到与PMMH相当的精度，同时大幅降低计算时间。其核心创新在于设计了一个低维、信息量大的摘要统计量（基于简单均匀插补估计和负二项自回归），使得NN可以高效训练并实现摊销推理。

子线索聚类

被引文献大致落在以下三条子线索上：

  1. 近似似然/近似模型法：Kirchner (2017) [INAR近似]、Cheysson & Lang (2022) [谱估计]、Shlomovich et al. (2022b) [MCEM]、Schneider & Weber (2023) [RISC]。这些方法通过构造一个可处理的近似模型或路径重建方案来绕过似然不可解问题，但普遍存在偏差或适用条件限制。
  2. 精确模拟/粒子滤波法：Chen et al. (2024) [PMMH]、Lambe et al. (2025) [多变量PMMH]。这类方法利用SMC无偏估计似然，从而嵌入MCMC获得精确后验，但计算负担极重。
  3. 模拟推断与神经网络法：Lenzi et al. (2021) [NN用于不可解模型]、Jiang et al. (2017) [NN学习ABC摘要统计量]、Creel (2017) [NN用于间接推断]、Sainsbury-Dale et al. (2024, 2025) [神经贝叶斯估计器]、Zammit-Mangion et al. (2025) [摊销推断综述]。本文属于这一线索，但区别于直接使用完整数据训练RNN的做法（如Lenzi等人），而是采用基于摘要统计量的前馈NN，借鉴了Creel (2017) 的间接推断框架。

这个方向在追问的核心问题

  1. 如何从离散计数数据中识别Hawkes过程的参数？ 特别是当区间宽度较大时，自激效应（offspring kernel）的形状和参数是否可识别？
  2. 如何在精度和计算时间之间取得更好的平衡？ 现有方法要么有偏（路径重建法），要么极慢（PMMH）。
  3. 如何实现不确定性量化？ 许多近似方法（MCEM、RISC）不提供标准误或置信区间。
  4. 如何处理非等宽区间和时变背景率？ 谱方法（Cheysson & Lang）受限于等宽区间和常数背景率。

⚠️ 作者的 framing

作者将缺口框架为：“现有方法在精度和计算时间之间存在权衡——Shlomovich等人和Schneider & Weber的方法有偏，而Chen等人的PMMH太慢。本文的NN方法提供了与PMMH相当的精度，但计算时间大幅减少。” 作者淡化了以下竞争路线： - RNN/端到端方法：作者在3.1.3节承认“用RNN处理完整计数序列可能更优”，但以“需要更复杂的网络和更多训练数据”为由回避，转而使用基于摘要统计量的简单前馈NN。这回避了“NN能否自动学习最优摘要统计量”这一更根本的问题。 - ABC方法：引言中提到了ABC（Tavaré et al., 1997; Beaumont et al., 2002; Sisson et al., 2007），但未将其作为主要竞争者讨论。实际上，ABC结合NN学习的摘要统计量（Jiang et al., 2017）也是一种可行的似然自由方法。

值得研究者去查的问题：作者没有引用任何关于高阶U-统计量或张量网络复杂度的工作——尽管本文的摘要统计量（插补估计+NBAR）本质上是一个多项式型统计量，其计算复杂度与区间数K和滞后阶数p有关。对于多变量Hawkes过程，摘要统计量的维度可能爆炸，此时张量收缩/树宽复杂度分析可能有用。此外，作者没有讨论计算-统计权衡：是否存在某些参数区域，任何多项式时间算法都无法达到统计最优率？这在高维Hawkes过程设定下可能是一个开放问题。

张力

未见明显对立引用。所有被引工作都承认“离散观测下的似然不可解”这一共识，分歧仅在于如何绕过它。不过，一个微妙的张力存在于路径重建法（Shlomovich, Schneider）和精确模拟法（Chen）之间：前者声称通过精心设计的重建能捕捉自激效应，但后者用数值实验证明前者有偏。本文站在Chen等人一边，用“简单插补”进一步证明了复杂重建是不必要的。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：
  • τ_i：第i个事件的发生时间（严格递增）。
  • N(t)：到时间t为止的累积事件数，即N(t) = N((0, t])。
  • λ(t)：条件强度函数，定义为λ(t) dt = E[dN(t) | F_{t-}]，其中F_{t-}是直到t之前的历史σ-代数。
  • ν(t)：背景率函数（baseline intensity），决定外生移民事件的到达率。本文假设其由参数向量θ_ν完全刻画。
  • η：分支比（branching ratio），η ∈ [0, 1)，保证过程平稳。它等于每个事件平均触发的第一代后代数。
  • g(·)：激发核（excitation kernel / offspring density），是R_+上的概率密度函数，控制自激效应的形状和持续时间。由参数θ_g刻画。
  • θ = (θ_ν, η, θ_g)：完整的d维参数向量，属于参数空间Θ ⊂ R^d。
  • t_0 = 0 < t_1 < ... < t_K = T：K个离散观测时间点。
  • n_k = N(t_{k-1}, t_k]：第k个区间内的观测事件计数。可观测数据为n_{1:K} = (n_1, ..., n_K)。
  • Δ_k = t_k - t_{k-1}：第k个区间的宽度。本文主要考虑等宽情形Δ_k ≡ Δ，但也处理不等宽情形。
  • s(n_{1:K})：从计数数据中提取的s维摘要统计量。
  • θ̂_imp：基于均匀插补的MLE估计（摘要统计量的核心部分）。

  • F_w：参数为w的神经网络函数，将s映射到(θ̂_ζ, θ̂_{0.5}, θ̂_{1-ζ})，其中θ̂_q是后验分位数估计。

  • 模型：

  • 数据生成机制：事件序列{τ_i}由一个Hawkes过程生成，其条件强度为： λ(t) = ν(t) + η ∫_0^{t-} g(t-s) dN(s)。 等价地，这是一个聚类过程：移民事件以强度ν(t)到达，每个移民事件触发一个Galton-Watson分支过程，其中每个事件产生Poisson(η)个第一代后代，后代的等待时间由g(·)生成。
  • 可观测数据：研究者只能观测到n_{1:K}，即每个区间内的事件总数。事件的具体发生时间τ_i是潜在/不可观测的。
  • 要估的对象：参数θ = (θ_ν, η, θ_g)。

  • 已知/假设：函数形式ν(·)和g(·)已知（例如指数核g(t) = β e^{-β t}或Gamma核），但参数未知。区间端点t_k已知且与过程独立。

  • 可观测 vs. 不可观测：

  • 可观测：n_{1:K}（计数序列），t_0, ..., t_K（观测时间点）。
  • 不可观测/潜在：所有事件发生时间τ_i，以及每个事件的“类型”（移民 vs. 后代，以及代际关系）。这些信息只能通过假设和模型结构来推断。

第二步：讲最小内核

最简特例：考虑指数核（Markovian Hawkes过程）、常数背景率ν(t) ≡ ν、等宽区间Δ_k ≡ Δ。此时参数θ = (ν, η, β)，其中g(t) = β e^{-β t}。

核心思路：用均匀插补构造一个“伪完整样本路径”，然后计算该路径的MLE作为摘要统计量，最后用神经网络学习从该摘要统计量到真实参数的映射。

具体步骤： 1. 均匀插补：对于每个区间(t_{k-1}, t_k]，已知其中有n_k个事件。我们不知道它们的具体发生时间，但可以均匀地将它们放置在该区间内： τ̂_{N_{k-1}+i} = t_{k-1} + i / (n_k + 1), i = 1, ..., n_k。 这里N_k = N(t_k)是到时间t_k为止的总事件数。这个插补极其简单，完全忽略了Hawkes过程的自激结构——它只是把事件均匀地摊开。

  1. 计算插补MLE：将插补得到的伪事件时间τ̂_{1:N_K}视为完整观测，计算指数Hawkes过程的MLE，得到θ̂_imp = (ν̂_imp, η̂_imp, β̂_imp)。由于指数核是马尔可夫的，这个MLE可以在线性时间内计算（通过递归更新强度）。注意：θ̂_imp是有偏的——它不会收敛到真实参数θ_0，而是收敛到某个θ*(θ_0)（见附录B.2），因为插补破坏了事件间的自激依赖结构。

  2. 训练神经网络：生成大量训练数据{(θ^{(m)}, θ̂_imp^{(m)})}_{m=1}^M，其中θ^{(m)}从先验分布中抽取，θ̂_imp^{(m)}是从对应的模拟计数数据中计算出的插补MLE。训练一个前馈神经网络F_w，使其学习映射θ̂_imp → θ。损失函数是分位数损失，使得网络同时输出后验中位数和ζ-分位数。

  3. 推理：对于新的观测计数数据n_{1:K}，先计算其插补MLE θ̂_imp，然后通过一次前向传播F_w(θ̂_imp)得到参数估计和置信区间。

为什么这个特例抓住了论文的核心？ - 论文的一般情形（非指数核、时变背景率、不等宽区间）只是在这个内核上“加壳”： - 非指数核：插补MLE计算变慢（二次时间），且无法识别核形状，因此需要额外加入NBAR摘要统计量。 - 时变背景率：在NBAR模型中加入偏移项log V_k来调整。 - 不等宽区间：在NBAR模型中对率进行标准化。 - 但核心思想不变：用一个简单、有偏但信息量大的摘要统计量（插补MLE）作为NN的输入，让NN去学习校正这个偏差。这避免了复杂的路径重建（Shlomovich, Schneider），也避免了昂贵的粒子滤波（Chen）。

数学上，这篇论文干了一件什么事？ 它证明了（通过数值实验）：存在一个光滑的、近似线性的映射F: θ̂_imp → θ（见附录A图6），并且这个映射可以被一个中等规模的前馈神经网络以足够精度逼近。这个映射的存在性依赖于θ̂_imp的渐近行为：θ̂_imp虽然不一致，但其极限θ*(θ_0)是θ_0的一个单射函数（即不同的θ_0对应不同的极限），因此θ_0可以从θ̂_imp中恢复。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：当Hawkes过程只能被离散观测（区间计数数据）时，如何快速且准确地估计其参数，并量化不确定性。
  2. 核心工具/方法：提出一种似然自由的神经网络估计方法。核心是设计了一个低维、信息量大的摘要统计量——由均匀插补MLE（对指数核）和负二项自回归（NBAR）系数（对非指数核）组成——并用一个前馈神经网络学习从该摘要统计量到参数后验分位数的映射。
  3. 主要结论：在模拟实验中，NN估计的精度（偏差、标准误、覆盖率）与当前最精确但计算昂贵的PMMH方法（Chen et al., 2024）相当，但计算时间减少了数个数量级（从小时级降至微秒级）。该方法还能处理不等宽区间和时变背景率，并成功应用于东京麻疹数据和NSW沙门氏菌数据。

关键设定与假设

  • Hawkes过程设定：
  • 条件强度：λ(t) = ν(t) + η ∫_0^{t-} g(t-s) dN(s)。
  • 分支比η ∈ [0, 1)（平稳性条件）。
  • ν(·)和g(·)由有限维参数θ_ν和θ_g刻画（参数化模型）。

  • 观测时间点t_k已知且与过程独立（无信息删失）。

  • 摘要统计量设计：

  • 均匀插补：将区间内事件均匀放置，得到伪完整路径。这是有偏的，但计算极快（线性时间）。
  • NBAR(p)模型：n_k | n_{k-p:k-1}, φ_k ~ Poisson(μ_k φ_k)，其中φ_k ~ Gamma(δ, δ)，log μ_k = γ_0 + Σ_{i=1}^p γ_i n_{k-i}。这捕捉了计数数据中的自相关结构，对非指数核的识别至关重要。

  • 关键假设：插补MLE的极限θ*(θ_0)是θ_0的单射函数（即参数可识别性）。论文通过数值实验（附录B.2）支持这一假设，但未给出严格证明。

  • 神经网络设定：

  • 架构：全连接前馈网络，ReLU激活函数（隐藏层），线性输出层。
  • 输出：(θ̂_ζ, θ̂_{0.5}, θ̂_{1-ζ})，通过softplus函数强制单调性。
  • 损失函数：分位数损失之和，目标是最小化后验分位数的期望损失。

  • 训练：ADAM优化器，早停法防止过拟合。

  • 与已有文献的对比：

  • 放宽了等宽区间和常数背景率的限制（对比Cheysson & Lang, 2022）。
  • 简化了路径重建过程（对比Shlomovich et al., 2022b; Schneider & Weber, 2023），用简单均匀插补代替复杂算法。
  • 加速了推理过程（对比Chen et al., 2024），将计算负担转移到一次性训练阶段。

主要结果

理论型结果：本文没有严格的渐近理论证明。主要理论贡献是数值上验证了： - 摘要统计量（插补MLE和NBAR估计）是√K-一致的（附录B.2，图7）。 - NN估计的MSE以O(1/K)速率下降（附录B.3，表9），与√K-一致估计量的行为一致。 - NN估计量是光滑的、近似线性的函数（附录A，图6）。

方法型结果（模拟实验）：

  1. 指数核（表1）：

    • 与PMMH对比：NN估计的偏差和标准误与PMMH非常接近。例如，当Δ=0.1时，NN对ν的估计为2.046 (SE=0.214)，PMMH为2.002 (SE=0.215)。覆盖率（CP）均在0.93-0.96之间，接近名义水平95%。
    • 当Δ=5.0（粗粒度）时，NN的标准误（SE_ν=0.259）明显小于PMMH（SE_ν=0.468），且PMMH出现明显偏差（ν̂=2.162 vs 真值2.0）。作者推测这可能是PMMH调参问题。

  2. Gamma核（表2）：

    • NN估计在Δ=0.1到Δ=0.5范围内均表现出低偏差和良好覆盖率。例如，Δ=0.1时，α̂=1.527 (SE=0.169)，真值1.5；β̂=0.252 (SE=0.038)，真值0.25。
    • 与MLE（连续观测，Δ=0）对比：NN估计的标准误略高于MLE，但差距不大（例如α的SE：MLE 0.131 vs NN 0.169），说明信息损失可控。

  3. 计算时间对比（4.1.3节）：

    • Gamma核，Δ=0.1：NN训练约需5-10分钟（Python，单CPU），训练数据生成约2分钟/万批（16核并行）。推理时间微秒级。PMMH：6-8小时/千次迭代，一次估计（万次迭代）需60-80小时。
    • 指数核：PMMH约30分钟/次，NN训练约2分钟。作者指出，对于单次分析，PMMH可能更优；但对于需要分析多个数据集或实时应用的场景，NN的摊销优势巨大。

  4. 滞后阶数p的影响（表3）：

    • 对于Gamma(1.5, 1.0)核（长尾），p=6时α估计有偏（α̂=1.777），p=48时偏差基本消失（α̂=1.528）。建议通过观察NBAR系数是否显著非零来选择p。

  5. 时变背景率（表4, 5）：

    • 正弦背景率ν(t)=5+3 sin(2πt/100)：NN准确估计了ν_1和ν_2，覆盖率良好。例如，Δ=0.1时，ν̂_1=4.999 (SE=0.267)，ν̂_2=3.012 (SE=0.223)。

证明路线与技术技巧

整体路线（非严格证明，而是方法设计逻辑）： 1. 构造信息摘要：用均匀插补得到一个有偏但快速的参数估计θ̂_imp。对于非指数核，补充NBAR系数以捕捉自相关结构。 2. 学习偏差校正：训练NN学习从θ̂_imp（及NBAR系数）到真实参数θ的映射。由于θ̂_imp是θ的平滑函数（附录A），这个映射可以用一个中等规模的NN逼近。 3. 摊销推理：训练完成后，NN可以瞬时处理新数据。对于不同长度的样本路径，利用√K-一致性对分位数估计进行缩放（附录C）。

关键跳跃点： - 从“复杂路径重建”到“简单均匀插补”：这是本文最核心的洞察。作者通过数值实验证明，即使插补完全忽略了自激结构，其产生的θ̂_imp仍然携带了足够的信息，以至于NN可以从中恢复真实参数。这绕过了Shlomovich和Schneider等人精心设计的路径重建算法。 - 从“完整数据”到“摘要统计量”：作者没有选择用RNN处理完整的计数序列n_{1:K}，而是坚持使用固定维度的摘要统计量。这使得NN的输入维度与K无关，实现了对样本路径长度的摊销。这个选择牺牲了潜在的最优性（RNN可能自动学到更好的摘要），但换来了极大的简单性和计算效率。

技术技巧点名： - 均匀插补（Uniform Imputation）：最简单的缺失数据处理方法，用于构造伪完整路径。其计算复杂度为O(N_K)（总事件数），对指数核MLE可在线性时间内完成。 - 负二项自回归（NBAR）：用于捕捉计数数据中的过度离散和自相关，作为非指数核的补充摘要统计量。其MLE可通过标准优化算法快速计算。 - 分位数损失（Quantile Loss）：L_q(θ_i, θ̂_i) = (θ̂_i - θ_i)(1{θ̂_i > θ_i} - q)。通过最小化三个分位数损失之和，NN同时输出后验中位数和ζ-分位数，实现摊销不确定性量化。 - Softplus单调性强制：θ̂_{0.5} = v_{1:d} + f(v_{d+1:2d})，θ̂_{1-ζ} = θ̂_{0.5} + f(v_{2d+1:3d})，其中f(x)=log(1+e^x)。这确保了分位数估计的单调性（θ̂_ζ ≤ θ̂_{0.5} ≤ θ̂_{1-ζ}）。 - 逆softplus正态（ISN）先验：对正参数α，采样f^{-1}(α) ~ N(μ_α, σ_α^2)。这比Gamma或Log-normal先验在0附近放置更多质量，改善了小参数值的分位数估计。 - √K-缩放的分位数调整：对于不同长度的样本路径，将分位数估计调整为θ̂ + √(K_1/K_2) (θ̂_τ - θ̂)，其中K_1是训练时的样本长度。这基于Bernstein-von Mises定理的启发，数值上表现良好（附录C，表10）。

真实例子与应用

  1. 东京麻疹数据（5.1节）：

    • 数据：2012年8月10日至2020年2月20日，392周，每周麻疹病例数（东京地区）。
    • 方法：拟合指数核Hawkes过程（常数背景率）。NN训练样本M=50,000。
    • 结果：NN估计(ν̂, η̂, β̂) = (0.170, 0.746, 1.205)，与PMMH估计(0.170, 0.745, 1.181)高度一致。95%置信区间也基本重叠（例如η的NN区间[0.622, 0.877] vs PMMH区间[0.618, 0.872]）。
    • 说明：验证了NN方法在真实数据上能复现PMMH的结果，且计算时间大幅缩短。

  2. NSW沙门氏菌数据（5.2节）：

    • 数据：2009年1月1日至2017年12月31日，每周Salmonella Typhimurium病例数（新南威尔士州）。
    • 方法：拟合Gamma核Hawkes过程，使用时变背景率。比较了两种背景率模型：
      • 三角函数背景：ν_tr(t) = ν_1 + ν_2 sin(πt/26) + ν_3 cos(πt/26)。
      • 周期B样条背景：4阶周期B样条，5个节点（每年），通过softplus函数确保正性。
    • 结果：
      • 三角函数背景：估计η̂=0.854，表明高度自激。模拟的周均病例数（35.944）接近观测值（36.196），但夏季峰值被低估（图4）。
      • B样条背景：更好地捕捉了夏季峰值（图5），模拟的周均病例数（36.850）更接近观测值。η̂=0.848与三角函数估计一致。核参数估计的置信区间更窄，说明更好的背景率模型有助于识别激发核。
    • 说明：展示了NN方法处理时变背景率和非指数核的能力，并强调了正确指定背景率模型的重要性。这是对现有方法（如谱估计，仅适用于常数背景率）的明显优势。

🔎 结论是否比证明窄

是。论文的结论“NN估计与PMMH精度相当”主要基于数值实验，而非严格理论证明。具体窄化之处包括：

  • 渐近性质未证明：论文在附录B.3中提供了MSE ~ O(1/K)的数值证据，但没有给出NN估计量一致性和渐近正态性的理论证明。作者承认“由于离散观测Hawkes过程的参数模型不可解，证明(B.1)式极限的存在性和唯一性很困难”（附录B.2）。
  • 摘要统计量的充分性未证明：作者在3.1.3节引用Pitman-Koopman-Darmois定理，指出有限维充分统计量可能不存在，并承认“证明辅助参数信息损失很小的说法很困难”（Drovandi et al., 2015）。论文仅通过数值比较（与PMMH）来支持摘要统计量的信息量。
  • 摊销推理的严格性：附录C中用于不同长度样本路径的分位数缩放方法基于Bernstein-von Mises定理的假设（Assumption C.1），但作者承认“由于p_θ(n_{1:K})的不可解形式，这些条件很难直接验证”。数值验证（表10）支持其有效性，但非严格证明。
  • 泛化性声明：论文在讨论部分声称“使用简单插补生成摘要统计量的想法可以推广到其他不完全信息设定”，但没有提供任何理论或数值证据支持这一泛化性。这是一个conjecture，而非proven claim。

四、开放问题

  1. 严格渐近理论：能否证明NN估计量的一致性、渐近正态性，以及√K-收敛速率？这需要建立插补MLE极限θ*(θ_0)的存在性、唯一性和光滑性，以及NN逼近误差的渐近控制。扎根于：附录B.2中“Proof of the existence of a unique limit of the form in (B.1) is made difficult by the intractable parametric model”以及附录B.3中“The NN estimator behaves as though it converges in MSE at the rate O(1/K)”——后者是数值观察，非严格证明。

  2. 扩展到多变量Hawkes过程：本文的方法能否有效扩展到多变量情形？插补MLE仍然可用，但NBAR需要替换为多变量自回归模型（如VAR或MINGAR），其维度可能随变量数平方增长。NN的输入维度会爆炸，需要更高效的架构（如图神经网络或基于张量收缩的摘要统计量）。扎根于：Section 6中“Whether the neural network estimator performs well when extended to the multivariate Hawkes process also remains to be explored”。

  3. 扩展到更新Hawkes过程（Renewal Hawkes）：当移民过程不是齐次Poisson而是更新过程时，本文的摘要统计量（基于常数背景率的插补MLE）是否仍然有效？可能需要设计新的摘要统计量来捕捉移民过程的非Poisson性。扎根于：Section 6中“Applying our proposed technique to other point processes, such as the renewal Hawkes process (Stindl and Chen, 2018), is an interesting avenue for future work”。

  4. 计算-统计权衡：是否存在某些参数区域（如η接近1，或激发核极长尾），使得任何基于多项式时间可计算摘要统计量的方法都无法达到统计最优率？这需要建立信息-计算差距（information-computation gap）的下界，可能涉及低度多项式（low-degree polynomial）或统计查询（SQ）下界技术。扎根于：本文未讨论此问题，但这是一个自然的延伸——当η→1时，过程接近非平稳，估计难度急剧上升；当激发核尾部很长时，NBAR可能需要极大p才能捕捉自相关，导致计算成本上升。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论