20260617:目前有914 页

concepts/bayesian-nonparametric-tpp.md

@@ -0,0 +1,52 @@
+---
+title: "贝叶斯非参数 TPP (Bayesian Nonparametric TPP)"
+created: 2026-06-16
+updated: 2026-06-16
+type: concept
+tags: [temporal-point-process, bayesian, nonparametric, gaussian-process]
+sources: [raw/papers/advances-temporal-point-processes-2026.md]
+---
+
+# 贝叶斯非参数 TPP
+
+贝叶斯非参数 TPP 用灵活的先验过程（如高斯过程）替代固定的参数化强度函数，在保持贝叶斯推理严谨性的同时大幅提升模型灵活性。
+
+## 核心思想
+
+传统参数 TPP 需手工指定强度函数形式（如指数衰减触发核），贝叶斯非参数方法则：
+```
+lambda(t) ~ GP(mu(·), K(·,·))
+```
+用一个高斯过程先验赋予强度函数以无限维的灵活度，数据自动调节复杂度。
+
+## 两大方向
+
+### 非参数泊松过程
+
+用 GP 对强度函数 `lambda(t)` 建模：
+
+- **Log-Gaussian Cox Process (LGCP)**：`lambda(t) = exp(f(t))`, `f ~ GP`
+- 代表性工作：Møller et al. (1998), Adams et al. (2009), Lloyd et al. (2015)
+- 挑战：Poisson 似然非共轭，需变分推断或 MCMC 近似后验
+- 关键突破：变分 Fourier 特征 (John & Hensman, 2018) 实现可扩展训练
+
+### 非参数 Hawkes 过程
+
+对触发函数 `phi(·)` 采用非参数先验：
+
+- 用 GP 或样条对触发核的灵活形式进行贝叶斯推断
+- 代表性工作：Zhang et al. (2019, 2020b), Zhou et al. (2021, 2020)
+- 可同时推断触发核的形状和因果结构
+
+## 为什么重要
+
+相比频率学派非参数方法，贝叶斯方法提供：
+1. **不确定性量化**：强度函数的可信区间
+2. **自动正则化**：先验防止过拟合
+3. **模型选择**：边际似然可用于比较不同模型
+
+## 参考
+
+- [[temporal-point-process|时间点过程]]
+- [[hawkes-process|Hawkes 过程]]
+- [[advances-temporal-point-processes-2026|TPP 综述]]