eCDANs：基于自相关与非平稳数据的高效时序因果发现（学生摘要）
机器学习
2023-03-07 v1 人工智能
统计方法学
摘要
传统的时序因果发现（CD）方法受困于高维性，无法识别滞后因果关系，且常忽略关系中的动态变化。在本研究中，我们提出一种针对自相关与非平稳时间序列数据的基于约束的因果发现新方法（eCDANs），能够检测滞后与同期的因果关系以及时间变化。eCDANs 在进行条件独立（CI）检验的同时通过优化条件集来解决高维性问题，并通过引入代理变量表示时间依赖性来识别因果关系的变化。在合成与真实数据上的实验表明，eCDANs 能够识别时间影响并优于基线方法。
引用
@article{arxiv.2303.02833,
title = {eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)},
author = {Muhammad Hasan Ferdous and Uzma Hasan and Md Osman Gani},
journal= {arXiv preprint arXiv:2303.02833},
year = {2023}
}