非平稳环境下基于状态空间模型的因果发现与预测
机器学习
2019-08-01 v2 机器学习
摘要
在许多科学领域，如经济学和神经科学中，我们经常面临非平稳时间序列，并且关注于发现因果关系和预测感兴趣变量的值，这两者在这样的非平稳环境中都尤其具有挑战性。在本文中，我们研究非平稳时间序列的因果发现与预测。通过利用一种特定类型的状态空间模型来表示过程，我们表明非平稳性有助于识别因果结构，并且预测自然地从学到的因果知识中受益。具体地，我们允许非线性状态空间模型中因果强度和噪声方差的变化，这有趣地使得因果结构和模型参数都是可识别的。给定因果模型，我们将预测视为因果模型中的贝叶斯推断问题，其利用数据的时间变化特性并以原则性方式适应新观测。在合成和真实世界数据集上的实验结果证明了所提方法的有效性。
引用
@article{arxiv.1905.10857,
title = {Causal Discovery and Forecasting in Nonstationary Environments with State-Space Models},
author = {Biwei Huang and Kun Zhang and Mingming Gong and Clark Glymour},
journal= {arXiv preprint arXiv:1905.10857},
year = {2019}
}