CDANs：从自相关与非平稳时间序列数据中进行时序因果发现
机器学习
2023-10-18 v2 人工智能
统计方法学
摘要
时间序列数据存在于医疗健康的诸多领域，如医疗时间序列、电子健康记录（EHR）、生命体征测量以及可穿戴设备。因果发现旨在从观测数据中估计因果关系，在提取关于人类健康的可执行洞察方面具有发挥重要作用的潜力。在本研究中，我们提出了一种面向自相关与非平稳时间序列数据的新型基于约束的因果发现方法（CDANs）。我们提出的方法解决了现有针对自相关与非平稳时间序列数据的因果发现方法的若干局限性，如高维问题、无法识别滞后因果关系以及忽视变化模块。我们的方法能够识别滞后与即时/同期因果关系，以及随时间变化的变化模块。该方法通过考虑滞后父节点而非对整个过去进行条件化来优化基于约束搜索中的条件集，从而解决了高维问题。通过同时考虑同期与滞后父节点来检测变化模块。该方法首先检测滞后邻接关系，然后识别变化模块与同期邻接关系，最后确定因果方向。我们在合成与真实临床数据集上对所提方法进行了广泛评估，并将其性能与数种基线方法进行了比较。实验结果证明了所提方法在检测自相关与非平稳时间序列数据的因果关系与变化模块方面的有效性。
引用
@article{arxiv.2302.03246,
title = {CDANs: Temporal Causal Discovery from Autocorrelated and Non-Stationary Time Series Data},
author = {Muhammad Hasan Ferdous and Uzma Hasan and Md Osman Gani},
journal= {arXiv preprint arXiv:2302.03246},
year = {2023}
}