論文「Multivariate Representations of Univariate Marked Hawkes Processes」の技術的サマリー

1. 研究の背景と問題提起

**単変数付帯 Hawkes プロセス（Univariate Marked Hawkes Processes）**は、地震の余震、感染症の拡散、ソーシャルメディア上のコンテンツ拡散、高頻度取引の注文簿ダイナミクスなど、多様な実世界の現象をモデル化するために広く用いられています。

しかし、従来の単変数付帯 Hawkes プロセスのモデル化には以下の重大な課題が存在します：

• 分離可能性の仮定（Mark-Separability）: 多くの実用的なモデル（例：ETAS モデル）では、基底強度（ground intensity）とマーク分布（magnitude distribution）が「分離可能」であると仮定されています。しかし、現実の現象（特に地震など）では、これらが非分離可能（non-separable）であることが理論的に示唆されています。
• モデル指定の難しさ: 非分離可能なモデルを直接実装することは、モデル指定が複雑で計算コストが高く、実用的な推定（最尤法など）において収束が遅く、計算負荷が極めて高いという問題があります。
• 既存手法の限界:
  • Neural Hawkes: 非分離性を扱えますが、パラメータの解釈性が低く、統計的性質（漸近性など）が確立されていません。
  • 非パラメトリック手法: 核行列の非パラメトリック推定を行う手法は存在しますが、これも解釈性が低く、任意の精度での近似保証が提供されていません。

本研究は、**「単変数付帯 Hawkes プロセスを、多変量非付帯（unmarked）Hawkes プロセスの表現として近似・パラメータ化できる」**という根本的な接続を示すことで、これらの課題を解決しようとするものです。

2. 提案手法（Methodology）

著者らは、単変数付帯 Hawkes プロセスのマーク分布のサポート（定義域）を分割し、各分割領域を異なる「タイプ」として扱うことで、多変量非付帯 Hawkes プロセスとして再構成するアプローチを提案しています。

核心的なアイデア

1. マーク空間の分割（Partitioning）:
   マーク空間 $M$ を $K$ 個の互いに素な可測集合 $\{A_i\}_{i=1}^K$ に分割します。
2. 多変量表現への変換:
   元の単変数プロセスにおける「タイプ $i$ のマークを持つイベント」を、多変量プロセスにおける「タイプ $i$ のイベント」として扱います。
3. 条件付き強度関数の定義:
   提案される多変量 Hawkes プロセスの条件付き強度関数 $\lambda_\theta(t, M | H_t)$ は、以下の式で定義されます（式 4）：
   $$\lambda_\theta(t, M|H_t) = \sum_{i=1}^K \chi_{A_i}(M) \left( \lambda_{0i} + \sum_{j=1}^K \sum_{t_{\ell,j} < t} \alpha_{ij} g_{ij}(t - t_{\ell,j}; \beta_{ij}) \right)$$
   ここで、$\chi_{A_i}$ は指示関数、$\lambda_{0i}$ は基底強度、$\alpha_{ij}$ はタイプ $j$ からタイプ $i$ への励起係数、$g_{ij}$ はカーネル関数です。

利点

• 柔軟な非分離性のモデル化: 多変量表現における「クロス励起（cross-excitation）」パラメータ $\alpha_{ij}$ によって、基底強度とマーク分布の相互作用を非分離的に柔軟にモデル化できます。
• パラメトリックな解釈性: Neural Hawkes と異なり、パラメータは統計的に解釈可能であり、推定可能です。
• 未知の分布への対応: マーク分布が未知または非定常であっても、分割の細かさ（$K$）を調整することで真の分布を近似できます。

3. 主要な理論的貢献（Key Contributions）

本研究では、以下の 3 つの主要な理論的結果を証明しています。

3.1 $L^1$ 収束による近似可能性（Theorem 3.2）

任意の非分離可能な単変数付帯 Hawkes プロセスに対して、その条件付き強度関数を $L^1$ ノルム（積分誤差）の観点から任意の精度で近似する多変量非付帯 Hawkes プロセスの表現が存在することを示しました。

• 成分数 $K$ を増やすことで、近似誤差を任意に小さくできます。
• マーク分布の分割が適切であれば、真の密度関数への収束も保証されます。

3.2 定常性の保存（Theorem 3.3）

ターゲットとなる単変数プロセスが定常的（stationary）である場合、その多変量表現も定常的であることを示しました。

• 分岐過程の理論に基づき、平均クラスターサイズが有限であることを証明しました。
• これは、頻度論的な予測（シミュレーションベースの予測）を行う際に極めて重要です。

3.3 パラメータの識別可能性（Identifiability, Theorem 3.5）

提案された多変量表現のパラメータ（$\lambda_{0i}, \alpha_{ij}, \beta_{ij}$）が、観測データから一意に特定可能（identifiable）であることを証明しました。

• 条件付き強度関数がパラメータの集合に対して一意に定まることを示し、線形独立性などの仮定の下で識別可能性が保証されることを理論化しました。

4. 数値シミュレーションと結果（Simulation Study）

理論的結果を検証するために、指数カーネルを持つ単変数付帯 Hawkes プロセスを用いたシミュレーション研究を行いました。

• 設定: マーク分布を離散一様分布（最大エントロピー、つまり基底強度に対して最も情報が少ない分布）とし、多変量表現の成分数 $K$ を 1 から 6 まで変化させました。
• 結果:
  • 成分数 $K$ が増加するにつれて、推定されたパラメータの真値への $L^1$ 誤差が減少し、理論値への収束が確認されました。
  • パラメータ数が増加する（$K + 2K^2$ 個）ことによる過剰適合のリスクはありますが、最大エントロピー分布という「最悪ケース」でも誤差は $O(K \cdot N(T)^{-1/2})$ のオーダーで制御可能であることが示されました。
  • この手法は、cLSTM などのニューラルネットワークと比較して、パラメータ数が少なく、かつ統計的性質が明確である点で優位性があります。

5. 意義と結論（Significance and Conclusion）

この論文は、単変数付帯 Hawkes プロセスと多変量非付帯 Hawkes プロセスの間の根本的な接続を確立し、以下のような実用的な意義を持っています。

1. 計算効率と解釈性の両立: 非分離可能な複雑な現象を、計算的に扱いやすく、かつパラメータ解釈が可能な線形多変量 Hawkes プロセスの枠組みでモデル化できることを示しました。
2. モデル指定の柔軟性: マーク分布が未知であったり、非定常であったりする場合でも、分割（ヒストグラム的なアプローチ）を通じて柔軟に追跡・近似可能です。
3. 将来の展望:
   • 核密度推定（Kernel Density Estimation）への拡張による高次元マーク空間への適用。
   • 分割セルの統合によるスパース化（正則化）によるモデル複雑度の低減。

結論として、このアプローチは、地震学、疫学、金融工学など、非分離的な時空間イベントデータを扱う分野において、強力かつ理論的に裏付けられた新しいモデリングの枠組みを提供するものです。