DYNOTEARS：基于时间序列数据的结构学习
机器学习
2020-04-29 v2 机器学习
摘要
我们重新审视动态贝叶斯网络的结构学习问题，并提出一种同时估计时间序列中变量间同期（片内）和时滞（片间）关系的方法。我们的方法基于得分，核心是在无环约束下最小化带惩罚的损失。为求解该问题，我们利用近期一个将无环约束刻画为光滑等式约束的代数结果。所得算法我们称之为 DYNOTEARS，在模拟数据上优于其他方法，尤其在变量数增加的高维情形下。我们还将该算法应用于来自金融和分子生物学两个不同领域的真实数据集，并分析所得输出。与用于学习动态贝叶斯网络的最先进（SOTA）方法相比，我们的方法在真实数据上既可扩展又准确。我们方法的简洁公式与竞争性能使其适用于各类寻求学习时间上变量间联系的问题。
引用
@article{arxiv.2002.00498,
title = {DYNOTEARS: Structure Learning from Time-Series Data},
author = {Roxana Pamfil and Nisara Sriwattanaworachai and Shaan Desai and Philip Pilgerstorfer and Paul Beaumont and Konstantinos Georgatzis and Bryon Aragam},
journal= {arXiv preprint arXiv:2002.00498},
year = {2020}
}
备注
23 pages, 13 figures, accepted to AISTATS 2020, corrected version