从时空数据中发现潜在因果图
机器学习
2025-06-17 v3 机器学习
摘要
气候、神经科学和流行病学等科学领域中的许多重要现象自然表示为具有复杂相互作用的时空网格数据。从这些数据中推断因果关系是一个具有挑战性的问题，其复杂性源于此类数据的高维度以及空间邻近点之间的相关性。我们提出了 SPACY（SPAtiotemporal Causal discoverY），这是一个基于变分推断的新型框架，旨在从时空数据中建模潜在时间序列及其因果关系。SPACY 通过在潜在空间中发现因果结构来缓解高维挑战。为了聚合空间邻近且相关的网格点，我们使用空间因子，由空间核函数参数化，将观测时间序列映射到潜在表示。在理论上，我们将问题推广到连续空间域，并在观测值来自潜在序列与空间因子乘积的非线性可逆函数时建立了可识别性。使用这种方法，我们避免了通常不可验证的假设，包括关于瞬时效应或充分变异性的假设。在经验上，SPACY 在合成数据上优于最先进的基线，即使在现有方法表现不佳的具有挑战性的设置中也是如此，同时对于大型网格保持可扩展性。SPACY 还从真实世界气候数据中识别出关键已知现象。SPACY 的实现可在 https://github.com/Rose-STL-Lab/SPACY/ 获取。
引用
@article{arxiv.2411.05331,
title = {Discovering Latent Causal Graphs from Spatiotemporal Data},
author = {Kun Wang and Sumanth Varambally and Duncan Watson-Parris and Yi-An Ma and Rose Yu},
journal= {arXiv preprint arXiv:2411.05331},
year = {2025}
}