基于时间数据的双重稳健结构识别
提出了一种基于约束的算法,用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构,主要通过学习长期的时间关系优化因果图的结构,从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。
Jun, 2023
该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法,从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题,并且可以扩展到大型随机变量集合,并不需要精确知道时间尺度差异。
May, 2022
基于连续时间随机微分方程和变分推断,我们提出了一种新的结构学习方法 SCOTCH,可以自然地处理任意时间点的学习和预测观测,并在合规和非合规采样间隔下,在合成和真实数据集上表现出较好的结构学习性能。
Nov, 2023
利用 CausalKinetiX 计算框架,可以从离散时间、噪声观察数据中识别动力学系统结构并生成一个基于因果的动力学模型,提升了预测性能以及实验之外的泛化能力。
Oct, 2018
该研究论文提出了一种基于因果关系的理论解决方案,名为 “Disentangled Contextual Adjustment (DCA)”,以及一种名为 “Spatio-Temporal sElf-superVised dEconfounding (STEVE)” 的框架,用于处理 ST 交通预测中的分布变化问题,以提高预测性能。实验结果表明,STEVE 在各种不同的 ST 分布变化场景下始终优于现有技术基线。
Nov, 2023
本文提供了一种系统的方法来合成时序逻辑公式的语法结构和参数,其中利用了一种新颖的进化算法来学习公式的结构,然后对候选公式的平均鲁棒性执行参数综合,以应对动力系统的异常轨迹检测和无效呼吸努力的表征两个案例研究。
Nov, 2017
本文从因果关系的角度出发,将异常检测问题视为不遵循正常因果机制来生成多变量数据的实例,并提出了一种基于因果关系的框架来检测异常和根本原因。
Jun, 2022