学习时间序列中的广义因果结构
机器学习
2021-12-07 v1 机器学习
摘要
因果科学通过提供数学工具来解释/确定系统各实体之间的“因果”关系。尽管机器学习（ML）算法取得了诸多成功并得到广泛应用，这些算法仅基于统计学习。目前它们远未达到“类人”智能，因为它们无法基于重要的“为什么？”问题进行回答和学习。因此，研究者正试图将 ML 与因果科学相融合。在 ML 遇到的众多因果学习问题中，之一是这些算法对数据中的时间顺序或结构不敏感。在这项工作中，我们基于最近提出的“神经混沌”特征学习技术（ChaosFEX 特征提取器）开发了一个机器学习流水线，帮助我们学习给定时间序列数据中的广义因果结构。
引用
@article{arxiv.2112.03085,
title = {Learning Generalized Causal Structure in Time-series},
author = {Aditi Kathpalia and Keerti P. Charantimath and Nithin Nagaraj},
journal= {arXiv preprint arXiv:2112.03085},
year = {2021}
}
备注
10 pages, 4 figures