Feb, 2024

贝叶斯分解格兰杰因果图多元时间序列数据

PDF
TL;DR我们研究了如何通过观测多变量时间序列数据自动发现 Granger 因果关系的问题，并提出了一种新的具有层次图先验的贝叶斯 VAR 模型来推断二值 Granger 因果图的后验分布。我们的方法在稀疏多变量时间序列数据上提供更好的不确定性量化，具有更少的超参数，并取得了比竞争方法更好的性能。
granger causal relationsobservational multivariate time-series databayesian var modelhierarchical graph priorsparse multivariate time-series data
发现论文，激发创造
  • 通过识别具有隐藏组件的向量自回归过程进行因果推断

    本文介绍了一种基于向量自回归 (VAR) 过程的因果推断方法，旨在更准确地揭示因果关系，叙述了如何从非实验时间序列中识别关键部分的过程，并提出了两种估计算法并评估其在合成和实际数据上的效果。

    Nov, 2014

  • 变分因果网络：对因果结构进行近似贝叶斯推断

    本文提出了对基于结构性因果模型的图形变分推断的形式，通过参数化变分模型来模拟分布，并在参数数量与变量数量的指数无关的情况下进行可处理的训练。

    Jun, 2021

  • 高维向量自回归的低秩和结构化建模

    提出一种新颖的方法来准确估算低秩和结构稀疏高维 VAR 模型中的网络 Granger 因果交互作用，该方法采用核范数和 lasso（或 group lasso）惩罚的组合正则化框架，证明了该方法的估计误差速率的非渐近性上界，并演示了该方法在合成和真实数据上的表现优于标准稀疏 VAR 估计。

    Dec, 2018

  • 基于 VAE 的学习多级神经 Granger - 因果连通性的框架

    本文介绍了一种基于 VAE 的框架，以合理的方式共同学习相关异质动态系统中的 Ganger 因果关系，从而提取嵌入在这些系统中的共享公共结构，并识别个体系统中的特质。该方法在多个合成数据设置上进行评估，并与用于学习单个系统的现有方法进行基准比较。该方法还在涉及神经生理学实验的时间序列数据的真实数据集上进行了说明，并产生了可解释的结果。

    Feb, 2024

  • 格兰杰因果关系：回顾与最新进展

    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

  • 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

  • 基于深度学习的多元时间序列群体因果推断

    我们在多元时间序列的非线性系统中通过组级别的干预，测试模型的不变性，识别变量组的因果方向，从而获得比其他应用组因果方法更显著的改进，并深入了解真实世界的时间序列。

    Jan, 2024

  • 高效易解释的多时间序列非线性建模

    提出了一种高效的非线性建模方法，通过线性 VAR 过程和分量间非线性映射来生成时间序列，并使用定制算法解决优化问题，提高了 VAR 系数的支持识别和时间序列预测能力。

    Sep, 2023

  • 医学时间序列生成的因果循环变分自编码器

    提出了一种因果延迟变分自编码器（CR-VAE）的新型生成模型，它能够从多元时间序列 x 中学习 Granger 因果图，并将其潜在因果机制纳入其数据生成过程中，借助于一个稀疏的邻接矩阵来编码所有变量对之间的因果关系，并在使用经典延迟自动编码器进行比较时，CR-VAE 经常优于最先进的时间序列生成模型。

    Jan, 2023

  • 具有延时格兰杰因果性的 Hawkes 过程

    我们旨在基于多元 Hawkes 过程明确地建模滞后的 Granger 因果效应。通过模拟滞后参数的后验分布来推断时间滞后，我们进一步研究了一个复杂环境下的模型估计方法，该方法对于事件预测和时间滞后推断的准确性在合成和真实数据上取得了良好的结果。

    Aug, 2023