Oct, 2023

CausalTime: 用于因果发现基准测试的现实生成时间序列

PDF
TL;DR使用 CausalTime 流程生成类似真实数据的时间序列，带有地面真实因果图以量化性能评估，该方法为实际应用中评估时间序列因果发现算法提供了可行的解决方案，并可泛化到广泛领域。
time-series causal discoverycausaltime pipelinereal data evaluationsynthetic datasetsbenchmarking
发现论文，激发创造
  • 复杂工业系统中的因果发现：一个时序基准

    通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。

    Oct, 2023

  • 关于有限时间序列生成问题的研究

    本文利用一个带限制的优化框架，提出了一套生成方法，包括 “GuidedDiffTime”，用于生成合成的具有现实性的时间序列，相比现有方法更加高效，且无需重新训练，取得了显著的性能提升，并大幅降低了碳足迹。

    Jul, 2023

  • CUTS+：从不规则时间序列中进行高维因果发现

    本文提出了 CUTS + 方法，该方法结合了 Granger 因果关系、粗到细发现技术和基于信息传递的图神经网络，以克服时间序列数据中高维度和缺失值的限制，从而取得了很好的因果发现性能。

    May, 2023

  • RealCause: 真实因果推断基准测试

    该研究论文使用灵活的生成模型提供基准，既可以提供因果效应的真实值，又可以代表真实数据，评估了 1500 多种不同的因果效应估计器，并提供证据表明使用预测指标选择因果效应估计器的超参数是合理的。

    Nov, 2020

  • TS-CausalNN: 从非线性非平稳时间序列数据中学习时间因果关系

    提出了一种用于时间序列数据因果关系发现的深度学习方法，该方法在非平稳性和非线性性方面具有很好的性能，并能与领域理解达成一致。

    Apr, 2024

  • 检测大规模非线性时间序列数据中的因果关系

    提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法，可以从大规模时间序列数据集中重构因果网络，从而在气候科学或神经科学等研究领域中识别因果关系。

    Feb, 2017

  • $ exttt {causalAssembly}$: 生成逼真的生产数据以进行因果关系发现的基准测试

    本研究通过收集来自装配线的复杂数据集，建立了一个半合成制造数据的系统，通过分析其中的因果关系和使用 Python 库 causalAssembly 进行了多种因果推理算法的基准测试，以验证别人的因果关系学习算法在真实数据中的正确性和有效性。

    Jun, 2023

  • 使用 CounterfacTS 评估时间序列预测模型的鲁棒性

    CounterfacTS 是一个用于通过反事实来探测深度学习模型在时间序列预测任务中的鲁棒性的工具，具有用户友好的界面，可视化、比较和量化时间序列数据及其预测结果，并允许用户以可解释的方式应用各种转换探索预测的变化。通过示例案例，我们说明了 CounterfacTS 如何用于识别时间序列集合的主要特征、评估模型性能的依赖性以及指导转换原始时间序列以创建具有期望属性的反事实，从而提高在数据分布的新区域中的预测性能，并讨论了在转换时间序列和创建有效的反事实时可视化和考虑数据在投影特征空间中的位置的重要性。总体而言，CounterfacTS 有助于创建反事实，以高效地探索原始数据未涵盖的假设情景对于时间序列预测任务的影响。

    Mar, 2024

  • TSPP：一种用于时间序列预测的统一基准工具

    通过提出一个可扩展的合成图生成工具，该工具从专有数据集中学习一系列参数模型，可以为研究人员提供研究各种图方法的合成数据，从而实现原型开发和创新应用的目的。

    Dec, 2023

  • CIPCaD-Bench: 用于因果发现方法基准测试的连续工业过程数据集

    为了推动数据驱动的因果关系探测（CD），这项工作引入了两个新的连续制造过程的公共数据集，并提出了一种基于不同度量标准的基准测试程序，以评估广泛的 CD 算法，从而在现实条件下测试 CD 方法并选择适用于特定目标应用的最合适方法。

    Aug, 2022