关于动力系统中因果推断的信息转移数据驱动计算
最优化与控制
2018-03-26 v1
摘要
在本文中，我们提供了一种从时间序列数据中捕捉动力系统因果交互的新方法。在 \cite{sinha_IT_CDC2016} 中，我们已经表明，现有的信息转移度量，即有向信息、Granger因果和转移熵，无法捕捉动力系统中真正的因果交互，并提出了一种能够捕捉真正因果交互的信息转移新定义。本文的主要贡献是证明 \cite{sinha_IT_CDC2016}\cite{sinha_IT_ICC} 中提出的信息转移定义可以从时间序列数据中计算得出。我们使用涉及 Perron-Frobenius 和 Koopman 算子的转移算子理论框架，对系统动力学进行数据驱动近似并计算信息转移。我们给出了几个涉及线性和非线性系统动力学的例子，以验证所开发算法的效率。
引用
@article{arxiv.1803.08558,
title = {On Data-Driven Computation of Information Transfer for Causal Inference in Dynamical Systems},
author = {Subhrajit Sinha and Umesh Vaidya},
journal= {arXiv preprint arXiv:1803.08558},
year = {2018}
}