CausalTime：用于因果发现基准测试的真实感时间序列生成
机器学习
2023-10-04 v1 机器学习
摘要
时间序列因果发现(TSCD)是机器学习的一个基本问题。然而，现有的合成数据集无法恰当评估或预测算法在真实数据上的性能。本研究引入CausalTime流水线，以生成与真实数据高度相似且带有真实因果图的时间序列，用于定量性能评估。该流水线从特定场景中的真实观测出发，生成匹配的基准数据集。首先，我们利用深度神经网络与归一化流准确捕捉真实动态。其次，通过对神经网络进行重要性分析或借助先验知识提取假设因果图。第三，通过将因果模型拆分为因果项、残差项与噪声项推导真实因果图。最后，利用拟合的网络与推导的因果图，生成适用于算法评估的多样化时间序列。在实验中，我们通过定性与定量实验验证生成数据的保真度，随后使用这些生成的数据集对现有TSCD算法进行基准测试。CausalTime为在实际应用中评估TSCD算法提供了可行方案，并可推广至广泛领域。为便于使用所提方法，我们还提供了一个用户友好的网站，托管于www.causaltime.cc。
引用
@article{arxiv.2310.01753,
title = {CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery},
author = {Yuxiao Cheng and Ziqian Wang and Tingxiong Xiao and Qin Zhong and Jinli Suo and Kunlun He},
journal= {arXiv preprint arXiv:2310.01753},
year = {2023}
}