基于近似因果排序的可扩展时间序列因果发现
机器学习
2025-08-22 v3 分布式、并行与集群计算
性能
统计计算
摘要
时间序列数据中的因果发现是一个重大的计算挑战。对于具有许多变量或样本的数据集，标准算法通常成本过高。本研究引入并验证了VarLiNGAM算法的一种启发式近似，以解决此可扩展性问题。标准的VarLiNGAM方法依赖于迭代搜索，在每一步后重新计算统计依赖性。我们的启发式方法通过省略迭代细化来修改此过程。这一改变允许对所有必要的统计值进行一次性预计算。该算法修改将时间复杂度从O(m^3n)降低到O(m^2n + m^3)，同时保持空间复杂度为O(m^2)，其中m是变量数，n是样本数。虽然是一种近似，但我们的方法保留了VarLiNGAM的基本结构和经验可靠性。在多达400个变量的大规模金融数据上，我们的算法比标准实现实现了7-13倍的加速，比GPU加速版本实现了4.5倍的加速。跨医学成像、Web服务器监控和金融领域的评估证明了该启发式方法的鲁棒性和实际可扩展性。这项工作在计算效率和发现质量之间提供了一个经过验证的平衡，使得在个人计算机上进行大规模因果分析成为可能。
引用
@article{arxiv.2409.05500,
title = {Scalable Time-Series Causal Discovery with Approximate Causal Ordering},
author = {Ziyang Jiao and Ce Guo and Wayne Luk},
journal= {arXiv preprint arXiv:2409.05500},
year = {2025}
}