深度网络上的群体干预：子系统因果发现方法
机器学习
2025-10-30 v2 人工智能
摘要
因果发现揭示变量之间的复杂关系，增强预测、决策并深化对真实系统的理解，尤其在非线性多变量时间序列中发挥重要作用。然而，大多数现有方法仅关注成对因果关系，忽略变量群体（即子系统）之间的相互作用及其集体因果影响。本研究引入gCDMI，一种新的多群体因果发现方法，利用对训练深度神经网络的群体级干预并采用模型不变性测试来推断因果关系。我们的方法包含三个关键步骤：首先，使用深度学习联合建模所有时间序列组之间的结构关系；其次，对训练好的模型施加群体级干预；最后，进行模型不变性测试以确定变量群体之间是否存在因果链接。我们在仿真数据集上评估了该方法，证明其在识别群体级因果关系方面优于现有方法。此外，我们在脑网络和气候生态系统等真实数据集上验证了该方法。我们的结果表明，对深度学习模型施加群体级干预并结合不变性测试，能够有效揭示复杂的因果结构，为神经科学和气候科学等领域提供了宝贵的洞察。
引用
@article{arxiv.2510.23906,
title = {Group Interventions on Deep Networks for Causal Discovery in Subsystems},
author = {Wasim Ahmad and Joachim Denzler and Maha Shadaydeh},
journal= {arXiv preprint arXiv:2510.23906},
year = {2025}
}
备注
Submitted to IEEE Access. We are working on the revised version