利用先验知识发现带有未观测变量的因果加性模型及其在时间序列数据中的应用
机器学习
2024-01-19 v3 统计方法学
机器学习
摘要
本文提出了两种针对带有未观测变量的因果加性模型(CAM-UV)的方法。CAM-UV假设因果函数采取广义加性模型的形式,并且存在潜在混杂因子。首先,我们提出了一种利用先验知识进行高效因果发现的方法。然后,我们提出了该方法的扩展,用于推断时间序列数据中的因果关系。原始的CAM-UV算法与其他现有因果函数模型的不同之处在于,它不寻求观测变量之间的因果顺序,而是旨在识别每个观测变量的原因。因此,本文提出的第一种方法利用先验知识,例如理解某些变量不能成为其他特定变量的原因。此外,通过纳入原因在时间上先于结果的先验知识,我们将第一种算法扩展到第二种方法,用于时间序列数据中的因果发现。我们通过使用模拟数据验证了第一种方法,表明随着先验知识的积累,因果发现的准确性提高。此外,我们通过将第二种方法与现有的时间序列因果发现方法进行比较,使用模拟数据和真实世界数据进行了测试。
引用
@article{arxiv.2401.07231,
title = {Use of Prior Knowledge to Discover Causal Additive Models with Unobserved Variables and its Application to Time Series Data},
author = {Takashi Nicholas Maeda and Shohei Shimizu},
journal= {arXiv preprint arXiv:2401.07231},
year = {2024}
}