Robust Deep Hawkes Process under Label Noise of Both Event and Occurrence

我们将深度神经网络与霍克斯过程相结合，在金融、健康信息学和信息技术方面显著提高了预测能力。然而，这些模型在现实环境中经常面临挑战，特别是由于标签噪声的存在。在医学领域，标签噪声可能来自电子病历中的延迟更新或误诊，导致预测风险增加。我们的研究表明，深度霍克斯过程模型在处理标签噪声时表现出较差的鲁棒性，特别是当标签噪声同时影响事件类型和时间时。为了解决这些挑战，我们首先研究了标签噪声对近似强度函数的影响，并提出了一种新的框架——鲁棒深度霍克斯过程（RDHP），以克服标签噪声对霍克斯模型的强度函数的影响，考虑了事件及其发生次数。我们使用多个开源基准测试和合成噪声对RDHP进行了测试，并在具有固有标签噪声的现实环境中对阻塞性睡眠呼吸暂停低通气综合征（OSAHS）进行了案例研究。结果表明，RDHP可以有效地执行分类和回归任务，即使在与事件及其时间有关的噪声存在的情况下也是如此。据我们所知，这是第一项成功解决深度霍克斯过程模型中事件和时间标签噪声的研究，为医学应用，特别是OSAHS的诊断提供了有希望的解决方案。

研究如何解决标签噪声对深度霍克斯过程模型的影响，特别是当标签噪声影响事件类型和时间时，如何提高模型的鲁棒性，以应用于医学领域，例如阻塞性睡眠呼吸暂停综合症（OSAHS）的诊断。

提出了一个新的框架，即Robust Deep Hawkes Process (RDHP)，以解决标签噪声对深度霍克斯过程模型强度函数的影响，同时考虑事件和它们的发生次数。

使用多个开源基准测试和一个真实世界的OSAHS案例研究来测试RDHP的有效性。结果表明，RDHP可以有效地执行分类和回归任务，即使在与事件和时间相关的噪声存在的情况下。这是第一篇成功解决深度霍克斯过程模型中事件和时间标签噪声的研究，为医学应用提供了一个有前途的解决方案。

最近的相关研究包括：1. 'Deep learning for event-driven time series prediction'；2. 'Hawkes process modeling for continuous time sequence prediction with applications to climate modeling'；3. 'A review of deep learning models for time series forecasting'。