确定性离散 LTI-DAE 系统中的因果发现
机器学习
2025-06-26 v1 系统与控制
信号处理
系统与控制
统计方法学
摘要
在确定性 LTI 系统中发现纯粹原因或驱动变量对于数据驱动的因果网络重建具有至关重要的重要性。2022 年，Kathari 和 Tangirala 提出将因果发现方法表述为约束识别问题。该方法基于动态迭代主成分分析（DIPCA）用于含高斯测量误差的动力系统。DIPCA 方法对无任何代数关系的动力系统运行高效。然而，多个动力系统在反馈控制下运行且/或与守恒定律耦合，导致出现微分代数（DAE）或混合因果系统。本文提出一种名为变量分区（PoV）的用于 LTI-DAE 系统因果发现的方法。该方法优于 Kathari 和 Tangirala（2022）所述方法，因 PoV 也适用于无代数方程的纯粹动力系统。该方法以最小子集识别因果驱动变量。PoV 部署 DIPCA 首先确定代数关系数量（）、动力关系数量（）以及约束矩阵。随后通过求解约束矩阵的条件数来进行 admissible 分区，以识别子集。展示案例以证明所提方法的有效性。
引用
@article{arxiv.2506.20169,
title = {Causal discovery in deterministic discrete LTI-DAE systems},
author = {Bala Rajesh Konkathi and Arun K. Tangirala},
journal= {arXiv preprint arXiv:2506.20169},
year = {2025}
}