基于 Kolmogorov-Arnold 网络的 Granger 因果检测

发现时间序列数据中的因果关系是许多科学领域（从经济学到气候科学）的核心。Granger 因果关系是因果检测的有力工具。然而，其原始公式受限于线性形式，直到最近才引入了非线性的机器学习推广。本研究通过探讨 Kolmogorov-Arnold 网络（KAN）在 Granger 因果检测中的应用，并将其能力与多层感知机（MLP）进行比较，为神经 Granger 因果模型的定义做出了贡献。在这项工作中，我们开发了一个名为 Granger Causality KAN (GC-KAN) 的框架，以及专为 Granger 因果检测设计的定制训练方法。我们在向量自回归（VAR）模型和混沌 Lorenz-96 系统上测试了该框架，分析了 KAN 通过识别 Granger 因果关系来稀疏化输入特征的能力，为 Granger 因果检测提供了一个简洁而准确的模型。我们的发现表明，KAN 在辨别可解释的 Granger 因果关系方面具有优于 MLP 的潜力，特别是在高维环境中识别稀疏 Granger 因果模式的能力，并且更广泛地说，展示了人工智能在发现物理系统动力学定律中因果关系的潜力。