基于自助聚合与置信度度量的时间序列因果发现改进方法
统计方法学
2024-07-02 v2 机器学习
摘要
从多元时间序列中学习因果图是处理地球科学、生物学或工程等依赖时间系统的所有应用领域中普遍存在的挑战。该因果发现学习任务的近期进展已展现出可观的能力，尤其是流行的基于条件独立学习框架的特定时间序列适配方法。然而，对于基于条件独立的方法，不确定性估计颇具挑战。在此，我们引入一种专为时间序列因果发现设计的、保留时间依赖性与滞后结构的新型自助法（bootstrap）。它可与一系列时间序列因果发现方法结合，并为时间序列图的连边提供置信度度量。此外，除置信度估计外，通过多数投票对自助图进行聚合（亦称bagging）得到了袋装因果发现方法。本工作中，我们将该方法与最先进的基于条件独立的算法PCMCI+相结合。通过大量数值实验，我们实证表明，除了为连边提供置信度度量外，Bagged-PCMCI+相较于其基础算法PCMCI+在精确率与召回率上均有提升，代价是更高的计算需求。这些统计性能改进在更具挑战性的设定下（短时间样本量、大量变量、高自相关）尤为显著。我们的自助法也可与其他时间序列因果发现算法结合，并在许多真实世界应用中具有相当价值。
引用
@article{arxiv.2306.08946,
title = {Bootstrap aggregation and confidence measures to improve time series causal discovery},
author = {Kevin Debeire and Jakob Runge and Andreas Gerhardus and Veronika Eyring},
journal= {arXiv preprint arXiv:2306.08946},
year = {2024}
}
备注
29 pages, 18 figures, accepted at the 3rd Conference on Causal Learning and Reasoning (CLeaR 2024)