因果时间区段结构学习
机器学习
2025-02-20 v3 人工智能
统计方法学
摘要
理解多元时间序列中的因果关系对于预测和控制经济学、神经科学和气候科学等领域的动态系统至关重要。然而，现有的因果发现方法通常假设平稳性，当时间序列由顺序区段（具有未知边界且因果结构变化的连续时间片段）组成时，其有效性受到限制。在这项工作中，我们首先引入一个框架来描述和建模此类时间序列。然后，我们提出 CASTOR，一种新颖的方法，它同时学习每个区段的有向无环图（DAG），并确定区段数量及其顺序排列。CASTOR 使用期望最大化算法优化数据对数似然，在分配区段索引（期望步）和推断每个区段中的因果关系（最大化步）之间交替。我们建立了该框架内区段和 DAG 的可辨识性。大量实验表明，在包括线性和非线性因果关系在内的多种设置下，CASTOR 在合成和真实世界数据集上检测不同区段并学习其 DAG 方面始终优于现有的因果发现模型。
引用
@article{arxiv.2311.01412,
title = {Causal Temporal Regime Structure Learning},
author = {Abdellah Rahmani and Pascal Frossard},
journal= {arXiv preprint arXiv:2311.01412},
year = {2025}
}