Score Matching neu: Effiziente Schätzung endlicher Punktprozesse

In der Statistik hat Score Matching in den letzten Jahren an Bedeutung gewonnen, weil es die Berechnung von Normalisierungs­konstanten überflüssig macht und damit die Rechen­schwierigkeiten der Maximum‑Likelihood‑Schätzung (MLE) reduziert. Doch bisherige Score‑Matching‑Ansätze für Punktprozesse stoßen bei endlichen Punktprozessen – also bei zufälligen Konfigurationen in begrenzten Räumen – an ihre Grenzen, weil die üblichen Annahmen nicht mehr gelten.

Die Autoren stellen ein rigoroses Rahmenwerk vor, das Score Matching auf endliche Punktprozesse mittels Janossy‑Maßes überträgt. Darin führen sie einen gewichteten, autoregressiven Score‑Matching‑Estimator ein und untersuchen dessen statistische Eigenschaften in klassischen parametrischen Modellen.

Für nichtparametrische, z. B. tiefe Punktprozessmodelle zeigen sie, dass Score Matching allein die wahre Verteilung nicht eindeutig bestimmt, weil subtile Normalisierungsprobleme auftreten. Sie schlagen daher eine einfache Survival‑Classification‑Erweiterung vor, die ein vollständiges, integrationsfreies Trainingsziel liefert – unabhängig von der Intensitäts­funktion und für räumlich‑zeitliche Prozesse.

Experimentelle Ergebnisse auf synthetischen und realen Datensätzen belegen, dass der neue Ansatz die Intensitäten präzise rekonstruiert und dabei eine Leistung erreicht, die der MLE entspricht, jedoch mit deutlich höherer Effizienz.