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
本研究基于卷积神经网络提出了一种概率预测框架,可用于多个相关时间序列的预测,并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系,并通过表示学习捕获了季节性、假日效应等复杂模式,实验证明该框架在精度和效率方面均优于当前其他方法。
Jun, 2019
在非平稳环境中,本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设,表明在温和条件下,可以从非线性混合中恢复独立的潜在成分,而无需观察辅助变量。我们还提出了 NCTRL,一种基于原则的估计框架,仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明,我们的方法可可靠地识别时间延迟的潜在因果影响,并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。
Oct, 2023
本篇论文提出了一种名为 Tensor Time Series Network 的新模型,它包括两个模块,解决了如何结合时间序列的关系网络和如何建模时间动态的隐含关系等问题,并在五个真实数据集上的实验结果证明了该方法的有效性。
Feb, 2021
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
本研究提出了以循环神经网络为基础的动态时空模型,用于预测具有时空依赖的空间过程的时间序列,通过结构化的潜在动态组件学习这些依赖关系,从而预测观测结果,模型经过多种预测问题的评估和比较,被证明能够从中提取出相关的空间关系。
Apr, 2018
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
本文提出了一种新的因果模型 Unique Causal Network,解决了基于贝叶斯网络的模型在因果解释性上存在的问题,同时提出了基于高阶因果熵算法的分布式 UCN 结构识别方法,用于处理非平稳时间序列数据,实验证明该方法在非平稳时间序列数据上具有最先进的准确性。
Nov, 2022
本文提出了一个有原则的框架来处理非平稳数据,并开发了一些方法来处理三个重要问题:检测局部机制不平稳的变量以及恢复观测变量之间的因果结构,通过利用变化分布所携带的信息确定某些因果方向,以及开发可视化因果模块的非平稳方法。作者通过各种合成和真实世界数据集的实验结果来展示这些方法的有效性。
Sep, 2015