TS-CausalNN：从非线性非平稳时间序列数据中学习时序因果关系
机器学习
2024-04-03 v1 统计方法学
摘要
随着环境科学、流行病学和经济学等多个领域时间序列数据的获取量和重要性不断提升，针对非平稳、非线性且常常噪声较大的真实世界数据，发掘其复杂关系的时序因果发现方法需求日益增长。然而，当前大多数时序因果发现方法假设数据具有平稳性和线性关系，难以实际应用。此外，近期的深度学习方法依赖于传统的因果结构学习方法，导致计算成本高昂。本文提出一种时序因果神经网络（TS-CausalNN），用于同时发现时滞因果关系。我们的 proposed 架构包括（i）由并行定制因果层组成的卷积块，（ii）无环约束，以及（iii）采用增广拉格朗日方法的优化技术。除了简单并行设计之外，TS-CausalNN 还能自然处理数据的非平稳性和非线性。通过在多个合成数据集和真实数据集上的实验，我们展示了本方法相比多种最先进方法的实证优势。对于真实数据集，推断得到的图谱与领域认知相符。
关键词
引用
@article{arxiv.2404.01466,
title = {TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data},
author = {Omar Faruque and Sahara Ali and Xue Zheng and Jianwu Wang},
journal= {arXiv preprint arXiv:2404.01466},
year = {2024}
}