MotifDisco：时间序列Motif的因果发现
机器学习
2025-05-26 v2
摘要
许多时间序列，特别是健康数据流，最好可以理解为一系列现象或事件的序列，我们称为"motif"。时间序列motif是一段短暂的轨迹，可能隐式地捕捉时间序列中潜在现象。具体而言，我们关注来自连续血糖监测器(CGMs)的血糖轨迹，这些轨迹本身包含代表潜在人类行为（如饮食和运动）的motif。识别和量化motif之间"因果"关系的能力，可以提供一种更好地理解和表示这些模式的机制，这对于改进深度学习和生成模型以及更先进的技术开发（例如个性化教练和人工胰岛素输送系统）非常有用。然而，目前尚无工作开发了用于时间序列motif的因果发现方法。因此，本文我们开发了MotifDisco（\textbf{motif} \textbf{disco}very of causality），一个新的因果发现框架，用于从时间序列轨迹中学习motif之间的因果关系。我们形式化了一种"Motif因果(MC)"的概念，灵感来自Granger因果和Transfer Entropy，开发了一个基于图神经网络的框架，通过解决无监督链接预测问题来学习motif之间的因果关系。我们将MC与预测、异常检测和聚类三个模型用例集成，展示MC作为下游任务构建模块的用途。最后，我们在不同健康数据流上对我们的框架进行评估，发现Motif因果在所有用例中都能提供显著的性能提升。
引用
@article{arxiv.2409.15219,
title = {MotifDisco: Motif Causal Discovery For Time Series Motifs},
author = {Josephine Lamp and Mark Derdzinski and Christopher Hannemann and Sam Hatfield and Joost van der Linden},
journal= {arXiv preprint arXiv:2409.15219},
year = {2025}
}