Parametric inference for the discretely observed multivariate Hawkes process using particle Markov Chain Monte Carlo

学校内で噂がどのように広まるかを理解しようとしている場面を想像してみてください。ある生徒が噂を聞くと、その生徒は数人の友人に話し、その友人たちがさらに多くの友人に話していくということをあなたは知っています。これは「自己興奮型（self-exciting）」のプロセスです。つまり、一つの出来事が次の出来事を引き起こすのです。

次に、あなたが校長先生だと想像してください。ただし、あなたはすべての会話のライブフィードを見ることができるわけではありません。代わりに、一日の終わりに「今日、食堂で5件、図書室で3件の噂が発生した」という日次報告だけを受け取ります。あなたは、それらが「いつ」起きたのか、あるいは「誰が誰に」話したのかという正確な詳細は知りません。

これが、この論文が解決しようとしている問題です。この論文は、**マルチバリエート・ホークス過程（Multivariate Hawkes Process）**と呼ばれる複雑な数学モデル（食堂や図書室のように、異なる場所での複数の種類のイベントを追跡するもの）を扱っていますが、そのデータは「離散的に観測（discretely observed）」されています（正確な時刻ではなく、日次のカウントのみが得られる状態です）。

以下に、著者たちの行ったことを、簡単な比喩を用いて解説します。

1. 問題点：「盲目的な」尤度（ゆうど）

統計学において、噂が広がるルール（パラメータ）を特定するには、「尤度（likelihood）」と呼ばれるスコアを計算する必要があります。尤度とは、あなたの理論がデータにどれだけ適合しているかを示すスコアカードのようなものです。

• 落とし穴： 日次の合計値（例：「今日、噂は5件発生した」）しか得られず、正確な時刻が得られない場合、このスコアカードを計算するための数学的な処理は直接解くことが不可能になります。それは、パズルのピースの半分が欠けていて、箱の絵もぼやけている状態でパズルを解こうとするようなものです。従来の手法では、ここでは太刀打ちできません。

2. 解決策：「推測と検証」のチーム（SMC）

著者たちは、この不可能なスコアカードを推定するための賢い方法を作り出しました。彼らは**逐次モンテカルロ法（Sequential Monte Carlo: SMC）**という手法を用いました。

• 比喩： 1,000人の探偵のチーム（これを「パーティクル（粒子）」と呼びます）を想像してください。各探偵は、日次のカウントが「5件の噂」になるために、隠された会話がどのような様子であったかを推測します。
  • ある探偵は、噂は午前9時に起きたと推測し、別の探代は午前11時だと推測します。
  • 彼らは、自分たちの推測が学校のルール（数学モデル）に合致しているかを確認します。
  • もし探偵の推測が理にかなわない場合（例：報告では5件なのに、10件の噂が起きたと推測した場合）、その探偵は脱落します。
  • 良い推測をした探偵には、「より多くの票（重み）」が与えられます。
• 革新性： 著者たちは、もし探偵たちが単にランダムに推測させてしまうと、多くの探偵が無意味なシナリオに時間を浪費してしまうことに気づきました。そこで、彼らは探偵たちに対して特定のルールを設計しました。**「もし報告で5件の噂が発生したと言われているなら、あなたの5つの推測は一日の中に均等に分散されていなければならない」**というルールです（これは「順序付き一様提案法（ordered uniform proposal）」と呼ばれます）。このシンプルなトリックにより、探偵チームははるかに賢く、迅速になり、悪い推測に時間を浪費することを防いでいます。

3. エンジン：「公平なコイン」マシン（PMMH）

探偵チームが推定スコアカードを提示した後、著者たちは学校の「最良のルール」を見つけ出す必要があります。これには、**疑似周辺MCMC法（Pseudo-Marginal Metropolis-Hastings: PMMH）**という手法を用います。

• 比喩： あなたが霧に包まれた山脈の中で、最も高い峰（最良のパラメータ）を探していると想像してください。あなたは全体を見ることはできません。
  • あなたは新しい地点へと一歩進みます。
  • 次に、探偵チームに、その新しい地点の「高さ」を推定させます。
  • 探偵チームは偏りがない（＝体系的に嘘をつかない）ため、彼らの推定値を信頼して、その地点に留まるべきか、あるいは戻るべきかを判断できます。
  • 時間の経過とともに、多くのステップを踏み、探偵たちの声を聞き続けることで、あなたは山脈全体をマッピングし、最高峰を見つけ出します。
• なぜ重要か： これにより、単に「最良の答え」を見つけるだけでなく、その答えに対してどの程度の自信を持っているか（例：「95%の確率で、ピークはこの2点の間にある」と言うようなこと）を知ることができます。

4. 結果：競合よりも優れた性能

著者たちは、シミュレーションデータ（架空の学校の噂シナリオ）を用いて、既存の他の手法と比較検証を行いました。

• 精度： 彼らの手法は、他の手法よりも正確でした（エラーが低い）。
• 速度： 彼らの手法は、大幅に高速でした。他の手法では膨大な数の探偵が必要だったり、実行に何時間もかかったりする一方で、彼らの手法はより小さなチームで、より短い時間で優れた結果を出しました。
• 柔軟性： 日次の報告が来るタイミングが異なる場合（例：ある日は12時間分、別の日は24時間分など）や、一日のうちで背景となるノイズ（背景事象）が変化する場合でも、この手法は機能します。

5. 実世界のテスト：アフガニスタンとパキスタンにおけるテロ活動

この手法が実世界で機能することを証明するために、彼らは実データ、すなわち2018年から2021年までの、隣接する2つの地域（アフガニスタンのカブール／ナングハール、およびパキスタンのカイバル・パクトゥンクワ）におけるテロ攻撃の日次カウントに適用しました。

• 判明したこと：
  • ある地域での攻撃は、同じ地域内での攻撃を誘発する傾向があります（自己興奮）。
  • 極めて重要な点として、 パキスタン（カイバル・パクトゥンクワ）での攻撃は、アフガニスタン（カブール／ナングハール）での攻撃を強く誘発していました。
  • 単一の地域内での攻撃は非常に速いスピード（数時間以内）で発生しますが、「国境を越えた」誘発効果は、約1ヶ月かけて展開されることが分かりました。
  • また、タイムラインの後半においてアフガニスタンでの攻撃の急増が見られましたが、これは米軍の撤退時期と一致していました。

まとめ

この論文は、研究者が、データの粗い日次サマリー（要約）しか持っていない場合でも、複雑で「伝染性のある」事象（噂、金融取引、テロ攻撃など）を理解することを可能にする、新しい統計的ツールキットを紹介しています。賢い「探偵」のチームを使って欠落した詳細を推測し、「公平なコイン」マシンを使って最良のルールを見つけ出すことで、彼らは従来の手法よりも正確かつ迅速に、信頼できる答えを得ることができるのです。