从实例级自注意力霍克斯过程学习格兰杰因果关系
机器学习
2024-03-01 v2 机器学习
摘要
我们解决了从异步、相互依赖、多类型事件序列中学习格兰杰因果关系的问题。特别地，我们关注以无监督方式发现实例级因果结构。实例级因果关系识别个体事件之间的因果关系，为决策提供更细粒度的信息。文献中现有的工作要么需要强假设，如强度函数的线性性，要么使用启发式定义的模型参数，这些参数不一定满足格兰杰因果关系的要求。我们提出了实例级自注意力霍克斯过程（ISAHP），这是一种新颖的深度学习框架，可以直接在事件实例级别推断格兰杰因果关系。ISAHP是第一个满足格兰杰因果关系要求的神经点过程模型。它利用Transformer的自注意力机制来符合格兰杰因果关系的原理。我们通过实验证明，ISAHP能够发现经典模型无法处理的复杂实例级因果结构。我们还表明，ISAHP在涉及类型级因果发现和实例级事件类型预测的代理任务中达到了最先进的性能。
引用
@article{arxiv.2402.03726,
title = {Learning Granger Causality from Instance-wise Self-attentive Hawkes Processes},
author = {Dongxia Wu and Tsuyoshi Idé and Aurélie Lozano and Georgios Kollias and Jiří Navrátil and Naoki Abe and Yi-An Ma and Rose Yu},
journal= {arXiv preprint arXiv:2402.03726},
year = {2024}
}