Sep, 2023

基于核岭回归的非线性 Granger 因果关系

PDF
TL;DR介绍了一种名为 mlcausality 的新算法和伴随的 Python 库，用于识别非线性 Granger 因果关系。通过使用灵活的插件架构，这种新颖的算法使研究人员能够将任何非线性回归器作为基本预测模型。使用径向基函数内核的核岭回归作为预测回归器，对 mlcausality 进行了全面性能分析。结果表明，在各种模拟数据集上，mlcausality 具有竞争力的 AUC 得分。此外，与竞争算法相比，基于核岭回归的 mlcausality 可以得到更细致校准的 p 值，从而在使用直观的 p 值阈值准则时获得更高的准确性得分。最后，与现有的非线性 Granger 因果关系算法相比，基于核岭回归的 mlcausality 的计算时间明显缩短。事实上，在许多情况下，这种创新方法在比竞争算法需要更短一个数量级的计算时间内获得更优的解决方案。
nonlinear granger causalitymlcausalitykernel ridge regressionauc scorescomputation times
发现论文，激发创造
  • 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。

    Nov, 2007

  • 高维非线性多元回归和 Granger 因果关系的可扩展矩阵核学习

    提出了一种矩阵值多核学习框架，可用于高维非线性多元回归问题，并使用广泛的 Mixed Norm Regularizers 支持字典的向量值再现核希尔伯特空间上的疏松度约束；通过该框架，高维因果推断任务可被自然地看作稀疏函数估计问题进行，从而引出了一类新的图形 Granger 因果分析技术的非线性扩展。

    Aug, 2014

  • 核格兰杰因果性及动态网络分析

    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

  • 非线性不变风险最小化：一种因果方法

    提出了一种不变因果表示学习 (iCaRL) 方法，通过利用广义指数族分布得出数据表示，可以在非线性场景中实现超出分布的泛化，并发现目标的全部直接原因，针对合成和真实数据集提出性能优于基线方法的实验结果。

    Feb, 2021

  • 具有非线性动态依赖关系的预测和 Granger 建模

    使用学习向量值函数的理论，建立一种能处理非高斯序列中的非线性依赖关系预测模型，通过学习多个矩阵值核来提高预测性能，并恢复系列之间的动态关系，该算法是现有图形 Granger 技术的新选择

    Jun, 2017

  • 随机因果系数

    本研究使用核均值嵌入分类将因果推断作为问题，从数据中直接学习因果推理，并在合成和实际数据上验证了方法的性能，赢得了 ChaLearn’s “Fast Causation Coefficient Challenge” 的 the fastest code prize，并排名第三.

    Sep, 2014

  • 核对齐风险估计器：从训练数据中预测风险

    通过 KRR、SCT 和 KARE 的引入，利用 Wishart 随机矩阵的 Stieltjes 变换进行有限尺度分析，得出一个 KRR 风险的近似值，同时基于这个近似值提供了一种有前景的选择如何进行 Kernels 建设的数据依赖性程序。

    Jun, 2020

  • 确定性混淆的核心单代理控制

    我们提出了两种基于核方法的因果效果估计方法，针对存在未观测混淆变量的情况下，利用单个代理变量可以一致性地估计因果效果，并在合成数据集上进行实证验证。

    Aug, 2023

  • 条件独立性的实用核检验

    描述了一种数据高效、基于核的条件独立性统计检验方法，通过数据拆分、辅助数据和更简单的函数类别等方法，控制偏差并校正测试水平，适用于合成和真实数据。

    Feb, 2024

  • 用于高效在线贝叶斯回归的元学习先验

    ALPaCA 是一种使用神经网络的元学习算法，通过在数据集中学习一个特定领域的有限维特征编码和相关权重的先验，利用后验预测密度进行贝叶斯线性回归，以提高回归任务在机器人领域的可伸缩性和数据效率。

    Jul, 2018