确定性线性动力学系统中因果关系的区分

Mar, 2015

确定性线性动力学系统中因果关系的区分

Telling cause from effect in deterministic linear dynamical systems

Naji Shajarisales, Dominik Janzing, Bernhard Shoelkopf, Michel Besserve

TL;DR本文基于 “因果独立性原则”，提出了一种新的时序数据因果推断方法，该方法并不依赖于噪声，而是从功率谱密度性质的不对称性入手，能够在确定性系统下使用。通过实验，该方法表现出了很好的效果。

Abstract

Inferring a cause from its effect using observed time series data is a major challenge in natural and social sciences. Assuming the effect is generated by the cause trough a linear system, we propose a new approa

causal inference time series data linear system power spectrum asymmetries

发现论文，激发创造

推断确定性因果关系

对于两个变量间的因果关系推断，我们提出了一种新的方法，即在确定性（无噪声）情况下，利用函数的非对称性以及它和因变量的概率密度的独立性进行推断。我们还将其与信息几何联系在一起，在不同领域的实际数据集上获得了强有力的实证结果。

Mar, 2012

基于约束模型和 PMIME 度量的时间序列因果发现

本文介绍了一种新的方法来发现多元时间序列数据中的因果关系，该方法结合因果发现算法和基于信息论的度量，可以推断线性和非线性关系以及构建潜在的因果图。我们在几个模拟数据集上评估了我们的方法的性能，并展示了有希望的结果。

May, 2023

为什么问题的动态视角

我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同，我们提出了一种直接建立时间过程中事件之间因果关系的学习范式，并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具，包括离散时间马尔可夫决策过程等各种重要设置。通过复杂的实验和深度学习，我们的框架揭示和量化了看似无法解释的因果链接。

Feb, 2024

线性动力系统的因果结构恢复：一种基于 FFT 的方法

从时域观测中识别动态因果效应，利用频域表示进行因果推断以及使用多元维纳投影进行图形重构。

Sep, 2023

从时间序列数据中发现结构因果模型的混合物

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

学习独立的因果机制

通过模拟物理机制，我们开发出一种无监督学习的算法，能够从变换后的数据点中恢复出一组相互独立的机制，并且这些机制可以移植到新的领域中，对于迁移学习有重要的启示和应用。

Dec, 2017

非线性格兰杰因果关系的核方法

本文使用再生核希尔伯特空间理论将 Granger 因果关系推广至非线性系统。我们开发了一种新策略来应对再生核希尔伯特空间几何的过拟合问题，并在混沌映射和生理数据集的应用中得到了验证。