时序数据中的因果发现：综述与新视角
机器学习
2023-08-04 v3 统计方法学
摘要
时序数据表示复杂系统的时序观测，一直是工业、医学和金融等众多领域广泛产生的典型数据结构。分析此类数据对各种应用极具价值。因此，过去几十年中提出了不同的时序数据分析任务，例如分类、聚类和预测。其中，从时序数据中学习因果关系的因果发现被认为是一项有趣且关键的任务，并引起了大量研究关注。现有的因果发现工作根据时序数据是否经过校准可分为两类高度相关的类别，即多元时间序列因果发现和事件序列因果发现。然而，以往大多数综述仅关注时间序列因果发现，忽略了第二类。本文明确了两类之间的关联，并系统概述了现有解决方案。此外，我们提供了公开数据集、评估指标以及时序数据因果发现的新视角。
引用
@article{arxiv.2303.10112,
title = {Causal Discovery from Temporal Data: An Overview and New Perspectives},
author = {Chang Gong and Di Yao and Chuzhe Zhang and Wenbin Li and Jingping Bi},
journal= {arXiv preprint arXiv:2303.10112},
year = {2023}
}
备注
54 pages, 7 figures