基于神经混沌学习的因果保持与分类
机器学习
2022-01-31 v1
摘要
从观测数据中发现因果关系是科学与工程中的一个重要但具挑战性的问题。本工作中，使用一种近期提出的受脑启发的学习算法，即神经混沌学习（Neurochaos Learning, NL），对模拟数据中的因果关系进行分类。所使用的数据实例由耦合 AR 过程、耦合一维混沌偏斜帐篷映射、耦合一维混沌逻辑映射以及一个真实世界的捕食者-猎物系统生成。所提方法在耦合系数取值从 到 的范围内持续优于一个五层深度神经网络架构。进一步，我们利用格兰杰因果性（GC）对耦合 AR 过程、以及压缩复杂度因果性（CCC）对耦合混沌系统和真实世界捕食者-猎物数据集，考察 NL 提取特征空间中因果性的保持。NL 在混沌变换下保持因果性并成功分类因果时间序列（包括迁移学习场景）的能力，在因果机器学习应用中极为可取。
引用
@article{arxiv.2201.12181,
title = {Cause-Effect Preservation and Classification using Neurochaos Learning},
author = {Harikrishnan N B and Aditi Kathpalia and Nithin Nagaraj},
journal= {arXiv preprint arXiv:2201.12181},
year = {2022}
}
备注
13 pages, 16 figures, 2 tables