从一般时序数据中学习时序因果隐过程
化学物理
2023-03-07 v4 生物大分子
摘要
我们的目标是从测量的时序数据中恢复具有时间延迟的隐因果变量并识别它们之间的关系。从观测中估计因果相关的隐变量尤其具有挑战性，因为在最一般的情形下隐变量并非唯一可恢复。在本工作中，我们考虑隐过程的非参数非平稳设定和参数设定，并提出两个可证明的条件，在此条件下时序因果隐过程可从其非线性混合中识别。我们提出 LEAP，一个理论基础的框架，它通过因果过程先验中的适当约束来强制实施我们的条件，从而扩展变分自编码器（VAEs）。在不同数据集上的实验结果表明，在不同依赖结构下都能从观测变量中可靠识别时序因果隐过程，且我们的方法显著优于未恰当利用历史或非平稳信息的基线。这表明以无监督方式利用时序信息从可逆非线性混合中学习隐过程（我们相信我们的工作是首批之一）即使在没有稀疏性或最小性假设下也大有前景。
引用
@article{arxiv.2110.05427,
title = {Computationally driven discovery of SARS-CoV-2 Mpro inhibitors: from design to experimental validation},
author = {L. El Khoury and Z. Jing and A. Cuzzolin and A. Deplano and D. Loco and B. Sattarov and F. Hédin and S. Wendeborn and C. Ho and D. El Ahdab and T. Jaffrelot Inizan and M. Sturlese and A. Sosic and M. Volpiana and A. Lugato and M. Barone and B. Gatto and M. Ludovica Macchia and M. Bellanda and R. Battistutta and C. Salata and I. Kondratov and R. Iminov and A. Khairulin and Y. Mykhalonok and A. Pochepko and V. Chashka-Ratushnyi and I. Kos and S. Moro and M. Montes and P. Ren and J. W. Ponder and L. Lagardère and J. -P. Piquemal and D. Sabbadin},
journal= {arXiv preprint arXiv:2110.05427},
year = {2023}
}