深度点过程学习

发布时间：2020-04-23 13:06

【摘要】：本文研究基于点过程的行为过程建模。在大数据时代下,累积了大量行为数据,比如医疗就诊记录,电子商务购买数据,社交行为数据。对这些数据的挖掘和利用,具有重要价值,具体应用包括商业并购预测,论文流行度建模,疾病的预警和演进,行为模拟。首先对于真实应用,我们设计了参数化的点过程,并设计了新颖高效的求解算法。参数化点过程方法主要是模型驱动的过程建模方法,通过反复验证建立过程的抽象及简化表示,其局限性在于:模型选择需要较高的专家经验和领域知识,使得建模方法过于细分、通用性欠缺,不易适应信息社会的开放环境和不断涌现的新现象,不利于工程应用。人类生产生活中产生并积累的过程大数据,使得数据驱动的过程分析成为可能。将深度学习引入到过程分析,实现过程的端对端学习,降低应用门槛,提高使用效率,针对这个问题,我们提出了深度点过程的概念,能从异质数据中学习行为方式。我们分别针对时间敏感的事件预测,提出了基于最大自然法的深度点过程建模方法,该模型具有通用性和可解释性。另外对于基于系统观测或部分观测模拟未来行为的问题,我们分别提出了基于对抗学习和强化学习的学习框架,能够有效解决误差累积,模缺失等问题。我们的模型在仿真数据和真实数据集均取得了较优的效果。创新点R1刺提出了基于最大似然法的深度点过程模型,能够有效地对异质数据进行行为建模,并具有模型可解释性。我们首先设计了新颖的参数化点过程建模方法和求解算法,解决真实应用问题。参数化的模型无法适用于不同的数据,针对特定的问题要提出不同的模型。针对上面的限制,我们提出了深度点过程模型,具有很高的普适性和模型可解释性,并在仿真和真实数据集上得到了很好的验证。创新点R2:针对基于系统观测或部分观测模拟系统未来行为的问题,我们提出了基于对抗学习的深度点过程建模框架。本模型对真实行为和仿真的行为的概率分布进行对比,最小化两者的概率分布差异。在考虑行为概率分布时,能够考虑行为序列的整体相似度,而不是最大似然法中单步的相似度,从而能够很好的解决误差传播。同时,针对黑盒系统,通常无法提前知道考察系统的行为模式,所以不能显式的参数化建模。所以我们的模型基于深度点过程,能够以数据驱动的方式学习系统的行为模式。创新点刳:针对基于系统观测或部分观测模拟系统未来行为的问题,我们从一个新的视角,提出了基于强化学习的深度点过程建模框架。行为的每一步都有一个反馈,而最终要考虑是整体行为的累积反馈。这样既能够对每步进行评价,又能从整体上评估行为序列。我们还推导出了高效的学习算法,使得模型的求解速度相对于对抗学习有了很大提升。
【学位授予单位】：上海交通大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP181
，

本文编号：2637755