神经网络中的显现性格兰杰因果性：预测alone能否揭示结构？
机器学习
2025-12-09 v2 机器学习
摘要
格兰杰因果性（GC）提供了一种优雅的统计框架来研究多变量时间序列数据之间的关联。向量自回归模型（VAR）简单易拟合，但由于其固有的无法捕捉更复杂（例如非线性）关联的局限性，应用受限。已经对利用深度神经网络（DNN）的函数逼近能力来实现GC的诸多尝试。然而，这些方法将GC视为一个变量选择问题。我们提出了一种新范例，用于从单个用于联合建模多变量时间序列数据所有组件的神经网络中学习的GC，这本质上与预测和评估残差分布迁移相关。具有适当正则化的深度学习模型可能在足够的训练数据下学习出真实的GC结构。我们提议通过比较使用所有过去作为模型输入与仅使用特定时间序列组件（即丢弃该组件）时模型的不确定性或残差分布来揭示所学习的GC结构。我们还比较了输入层dropout对神经网络学习GC能力的影响。我们表明，经过良好正则化的模型可以在没有显式添加引导模型选择变量或执行稀疏回归的特定设置下，从数据中学习出真实的GC结构。我们还提供了CNN、LSTM和transformer等深度学习架构在发现格兰杰因果性方面的比较。数值实验表明，与稀疏回归模型相比，简单的联合模型是学习真实GC的强基准，具有无需调整许多额外超参数的优势。
引用
@article{arxiv.2506.20347,
title = {Emergent Granger Causality in Neural Networks: Can Prediction Alone Reveal Structure?},
author = {Malik Shahid Sultan and Hernando Ombao and Maurizio Filippone},
journal= {arXiv preprint arXiv:2506.20347},
year = {2025}
}