HawkesNest: A Multi-Axis Synthetic Benchmark for Spatiotemporal Pattern Complexity
作者: Yahya Aalaila, Sumantrak Mukherjee, Gerrit Großmann, Sebastian Vollmer
分类: cs.LG
发布日期: 2026-06-15
🔗 代码/项目: GITHUB
💡 一句话要点
提出HawkesNest以解决时空点过程模型评估问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 时空点过程 Hawkes过程 模型评估 复杂性基准 数据生成机制 事件预测 社会网络分析
📋 核心要点
- 现有的STPP模型评估依赖于复杂的真实数据集，导致模型失败的原因难以识别。
- HawkesNest通过定义四个复杂性轴，提供了一个受控的基准测试框架，帮助分析STPP模型的性能。
- 实验结果表明，HawkesNest能够有效揭示模型在不同复杂性条件下的敏感性，尤其是在时空纠缠方面。
📝 摘要（中文）
时空点过程（STPP）模型的评估通常依赖于不透明的真实世界数据集，这使得潜在的生成结构未知，模型失败难以归因。本文提出HawkesNest，一个基于多变量Hawkes骨架的受控时空模式复杂性基准，定义了四个复杂性轴：时空纠缠、背景异质性、跨类型交互和领域拓扑。通过在固定的全局速率、稳定性和仿真预算下变化这些轴，HawkesNest能够对STPP模型进行已知结构难度的诊断压力测试。我们验证了这些指标在受控变化下是单调且几乎正交的，并展示了Hawkes-family基线在联合异质性-纠缠复杂性下的性能下降。
🔬 方法详解
问题定义：本文旨在解决STPP模型评估中的不透明性问题，现有方法依赖于复杂的真实数据集，导致潜在生成结构未知，难以归因模型失败。
核心思路：HawkesNest通过构建一个基于多变量Hawkes过程的合成基准，定义四个复杂性轴，以便在已知结构条件下对STPP模型进行评估和压力测试。
技术框架：HawkesNest的整体架构包括四个复杂性轴的定义，分别是时空纠缠、背景异质性、跨类型交互和领域拓扑。每个轴都有一个确定性指标，通过调整这些指标来进行模型评估。
关键创新：HawkesNest的主要创新在于其受控的复杂性轴设计，使得模型评估可以在已知的生成结构下进行，从而提高了评估的透明度和可解释性。
关键设计：在设计中，保持全局速率、稳定性和仿真预算不变，通过对复杂性轴的变化进行系统性测试，确保了指标的单调性和正交性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，Hawkes-family基线在联合异质性-纠缠复杂性下的性能显著下降，表明模型对复杂性变化的敏感性。此外，AutoSTPP在时空纠缠增加时表现出脆弱性，突显了HawkesNest在模型评估中的重要性。
🎯 应用场景
HawkesNest的研究成果在时空数据分析、事件预测和社会网络分析等领域具有广泛的应用潜力。通过提供一个可控的评估框架，研究人员可以更有效地测试和优化STPP模型，从而推动相关领域的研究进展。
📄 摘要（原文）
Evaluation of spatiotemporal point process (STPP) models relies heavily on opaque real-world datasets, where latent generative structure is unknown and model failures are difficult to attribute. We introduce HawkesNest, a generator-aligned benchmark for controlled spatiotemporal pattern complexity built on a multivariate Hawkes backbone. HawkesNest defines four complexity axes: space--time entanglement, background heterogeneity, cross-type interaction, and domain topology. Each axis is associated with a deterministic index computed from the latent data-generating mechanism. By varying these axes while holding global rate, stability, and simulation budget fixed, HawkesNest enables diagnostic stress tests of STPP models under known structural difficulty. We verify that the indices are monotone and nearly orthogonal under controlled sweeps. We illustrate its use by showing that Hawkes-family baselines degrade under joint heterogeneity--entanglement complexity, even though they are structurally aligned with the Hawkes data-generating backbone. We further show that HawkesNest exposes neural-model sensitivity: AutoSTPP remains vulnerable under isolated increases in space--time entanglement. Code. Available at https://github.com/YahyaAalaila/HawkesNest