用于有向循环图因果推断的反馈系统神经网络
机器学习
2020-05-29 v2 机器学习
摘要
本文提出一种新的因果网络学习算法（FSNN，反馈系统神经网络），其基于常微分方程（ODEs）非线性系统的构建与分析。所构建的系统可洞察负责生成动态系统过去与潜在未来行为的机制。它也可依据真实系统变量进行解释，从而提供对支配观测现象的现实交互的整体、因果准确且系统性的理解。本文展示了如何生成一个n维常微分方程模型，该模型可参数化以使用标准数值优化技术拟合测量数据。模型利用前馈人工神经网络捕捉非线性，但对复杂系统中的因果关系网络给出了简洁且可解释的表示。所生成的模型可使用“关键环路”方法（Schoenberg et al. 2019）轻松快速地实验与分析，以确定行为起源。文中给出了方法效用与适用性的演示，表明其对一个已知来源的三状态非线性复杂动态系统生成了准确且因果正确的模型。随后讨论了向具有其他数据源的其他动态系统的推广。
引用
@article{arxiv.1908.10336,
title = {Feedback System Neural Networks for Inferring Causality in Directed Cyclic Graphs},
author = {William Schoenberg},
journal= {arXiv preprint arXiv:1908.10336},
year = {2020}
}