学习灵活的时间窗格兰杰因果关系，整合异质干预时间序列数据

KDDJun, 2024

学习灵活的时间窗格兰杰因果关系，整合异质干预时间序列数据

Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data

Ziyi Zhang, Shaogang Ren, Xiaoning Qian, Nick Duffield

TL;DR本研究基于异质干预时间序列数据，提出了一种理论上有根据的方法，用于推断 Granger 因果结构并识别未知目标。进一步揭示了学习 Granger 因果结构与恢复干预目标之间的相互促进关系，并在比较实验中证明了我们的方法在学习干预时间序列数据中的 Granger 因果结构方面优于其他鲁棒基准方法。

Abstract

granger causality, commonly used for inferring causal structures from time series data, has been adopted in widespread applications across various fields due to its intuitive explainability and high compatibility with emerging deep neural network prediction models. To alleviate challen

granger causality interventions causal structure unknown targets time series data

发现论文，激发创造

从未知干预中学习神经因果模型

本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。

Oct, 2019

从异质数据中学习结构因果模型中的未知干预目标

我们研究了在具有多个环境收集的异构数据的结构因果模型中，识别未知干预目标的问题。我们提出了一个两阶段方法，第一阶段恢复了在环境之间分布发生变化的未知干预目标对应的外源性噪声，第二阶段将恢复的噪声与相应的内源性变量进行匹配。在有潜在混淆因素存在的情况下，观察到的变量中的干预目标无法确定唯一。我们提供了一个候选干预目标集，它是真实干预目标集的超集。我们的方法改进了现有方法，返回的候选集始终是以前的工作返回的目标集的子集。此外，我们不需要诸如因果模型的线性性或执行不变性测试等限制性假设，以了解分布是否在环境之间发生变化，这可能会导致样本效率低下。我们的实验结果显示了我们提出的算法的有效性。

Dec, 2023

干预数据的可微因果发现

本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

Jul, 2020

使用自解释神经网络的 Granger 因果关系可解释模型

本文提出了一种基于自解释神经网络的非线性动力学下多元格兰杰因果推断的新框架，该框架除了关系推断外，还允许检测格兰杰因果效应的符号并检查其随时间的变化，通过模拟数据等实验表明该框架与其他基线方法相比在推断格兰杰因果性方面具有相当的性能，并在推断交互符号方面取得更好的表现，这表明本框架是推断格兰杰因果性的可行且更易解释的替代方法。

Jan, 2021

从时间序列数据中发现结构因果模型的混合物

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

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

使用主动干预的神经因果模型学习

介绍了一种基于 AIT 的方法，可快速识别数据生成过程的基础因果结构。该方法可用于离散和连续优化公式，并在模拟到实际数据的多个基准测试中表现出卓越的性能。(Translation: An AIT-based method is introduced to quickly identify the underlying causal structure of the data-generating process, which is applicable for both discrete and continuous optimization formulations of learning the underlying directed acyclic graph from data, and demonstrates superior performance on multiple benchmarks from simulated to real-world data.)

Sep, 2021

LLM 在干预数据的时间域因果推断中的增强

提出了一种能在工业场景中发现时间因果关系的 RealTCD 框架，通过遮蔽和正则化的策略，采用基于得分的时间因果发现方法，无需依赖干预目标进行根本原因分析，并结合大型语言模型和领域知识来提取系统中隐藏的文本信息中的元知识，以提高发现质量。在模拟和真实数据集上进行了大量实验证明了 RealTCD 框架相对于现有基准的优越性。

Apr, 2024

基于置换的因果结构学习（未知干预目标）

针对部分或完全未知的干预目标的混合观测和干预数据的因果 DAG 模型估计问题，本文提出一个算法来寻找干预马可夫等价类，此算法采用贪心策略在排列空间中搜索以最小化新的分数函数，同时该算法是无参数的，因此适用于非线性关系和非高斯分布的情况，性能表现已被验证。

Oct, 2019

具有非均匀嵌入和显式验证阶段的神经网络用于评估 Granger 因果关系

本文提出了一种基于神经网络方法的动力学系统研究方法，避免了传统模型建立过程中的假设。实验表明，该方法能够正确检测时间序列系统的动态信息流，尤其是在涉及冗余变量的情况下具有显著的优越性。

Jul, 2015