因果模式：基于混合概率偏典型相关分析的多种因果关系提取
统计方法学
2017-12-13 v1 机器学习
摘要
在本文中，我们提出一种混合概率偏典型相关分析（MPPCCA），用于从两个多元时间序列中提取因果模式。因果模式指的是两个元素相互作用中具有多种互为因果关系类型的信号模式，而非同时相关的混合或两个元素间因果关系的存在与否。在多元统计学中，偏典型相关分析（PCCA）在减去第三个多元变量的影响后评估两个多元变量之间的相关性。PCCA 可以计算格兰杰因果性指数（用于检验一个时间序列是否可由另一时间序列预测），但不适用于包含多个偏典型相关的数据。在引入 MPPCCA 后，我们提出了一种期望最大化（EM）算法来估计 MPPCCA 的参数与潜变量。MPPCCA 有望在没有监督信号将数据拆分为簇的情况下，从数据序列中提取多个偏典型相关。随后在合成数据实验中对该方法进行了评估。在合成数据集中，我们的方法比现有方法更准确地估计了多个偏典型相关。为确定该方法可检测的模式类型，还在真实数据集上进行了实验。该方法估计了动作捕捉数据中的通信模式。MPPCCA 适用于各种类型的信号，如脑信号、人类通信和非线性复杂多体系统。
引用
@article{arxiv.1712.04221,
title = {Causal Patterns: Extraction of multiple causal relationships by Mixture of Probabilistic Partial Canonical Correlation Analysis},
author = {Hiroki Mori and Keisuke Kawano and Hiroki Yokoyama},
journal= {arXiv preprint arXiv:1712.04221},
year = {2017}
}
备注
DSAA2017 - The 4th IEEE International Conference on Data Science and Advanced Analytics