用于推断非线性格兰杰因果关系的经济统计循环单元
利用结构化的多层感知机和循环神经网络,结合稀疏性惩罚,提出一种非线性 Granger 因果分析方法,通过其自动裁剪滞后项和处理长程依赖关系等特点,优于现有方法,可以应用于脑科学、基因组学和人体运动等领域。
Feb, 2018
本文提出了一种基于自解释神经网络的非线性动力学下多元格兰杰因果推断的新框架,该框架除了关系推断外,还允许检测格兰杰因果效应的符号并检查其随时间的变化,通过模拟数据等实验表明该框架与其他基线方法相比在推断格兰杰因果性方面具有相当的性能,并在推断交互符号方面取得更好的表现,这表明本框架是推断格兰杰因果性的可行且更易解释的替代方法。
Jan, 2021
通过 Bayesian optimization 方案优化模型超参数,我们展示了统计循环单元 (SRU) 相比于门控循环神经网络 (LSTM) 和门控 GRU 的高效性。
Mar, 2017
本研究针对高维网络模型的估计问题,采用 Granger 因果模型框架,利用稀疏边缘和内在节点分组结构的假设,引入削减版本的 Group Lasso 估计器,发现了网络节点之间的 Granger 因果交互作用,并对其稳健性进行了渐近结果的开发。通过广泛的模拟研究和现有技术的比较,评估了该方法的性能。
Oct, 2012
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。
Nov, 2007
本文提出了一种基于核方法的分析动态网络的方法,该方法不需要先验假设网络是有向无环图。提出的方法已应用于混沌映射、模拟基因调控网络和真实表达数据中,针对肿瘤发展研究了 19 种涉及肿瘤发展相关基因的因果关系。
Mar, 2008
本文提出了一种基于神经网络方法的动力学系统研究方法,避免了传统模型建立过程中的假设。实验表明,该方法能够正确检测时间序列系统的动态信息流,尤其是在涉及冗余变量的情况下具有显著的优越性。
Jul, 2015
本文对 Granger 因果性的早期发展和辩论进行了回顾,并讨论了近期针对该概念局限性的各种改进,从高维时间序列模型到考虑非线性、非高斯观测的模型,以及允许子样本和混合频率时间序列的模型。
May, 2021
借助神经 Granger 因果推理与对比学习,提出了一种名为 RUN 的用于根本原因分析的新方法,通过整合时间序列的上下文信息,利用时间序列预测模型进行神经 Granger 因果推理,同时结合个性化向量的 Pagerank,有效地推荐前 k 个根本原因。通过对合成和真实微服务基础数据集的广泛实验,证明 RUN 明显优于现有的根本原因分析方法。此外,我们提供了一个 sock-shop 案例的分析场景,展示了 RUN 在微服务应用中的实用性和效能。
Feb, 2024
提出了一种基于 Jacobian 正则化的神经 Granger 因果关系(JRNGC)方法,通过构建一个单一模型来学习多变量总结的 Granger 因果关系和全时的 Granger 因果关系,消除了权重的稀疏约束,同时在保持较低模型复杂度和高可伸缩性的情况下,实现了与最先进方法的竞争性性能。
May, 2024