Jun, 2024

使用高阶 Markov 切换模型识别非平稳因果结构

PDF
TL;DR通过建立高阶马尔可夫切换模型的可辨识性，我们提出了基于制度依赖因果关系的发现方法，并通过实证研究展示了该方法在高阶制度依赖结构估计上的可扩展性，并对脑活动数据的适用性进行了说明。
causal discoverytime seriesnonstationarityregime-dependent causal structuresmarkov switching models
发现论文，激发创造
  • 非定态因果模型的发现和可视化

    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

  • 状态空间模型下的非平稳环境因果发现与预测

    本研究针对非平稳时间序列的因果关系发现和预测问题，提出了一种基于状态空间模型的方法，利用非平稳的性质来确定因果结构，将预测问题视为因果模型的贝叶斯推断问题，并在合成数据和真实数据集上进行了实验验证。

    May, 2019

  • 马尔科夫转换模型的可辨识性

    本文研究了 Markov Switching Models 的可识别性，探讨了其在序列潜变量模型中的应用，并给出了基于非线性高斯的转移分布参数化方法，实验结果表明此方法可用于因果发现和高维时间序列分割。

    May, 2023

  • 从缓慢变化的非平稳过程进行因果推断

    通过时间可变滤波器和稳态噪声，利用非平稳性在双变量和网络设置中实现因果识别的一种新型受限结构因果模型，使用高阶和非平滑滤波器的各种合成和实际数据集评估了我们提出的方法的有效性。

    May, 2024

  • 从异质 / 非平稳数据中独立变化进行因果推断

    本文提出了一种基于约束的因果发现框架，称为 CD-NOD，用于从异构 / 非平稳数据中查找原因骨架和方向，并估计机制变化的属性。该方法在各种合成和真实数据集上进行了实验验证，证明了其有效性。

    Mar, 2019

  • 未知非平稳条件下的时间分解表示学习

    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

  • 从非静态时间序列中识别独特因果网络

    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

  • 通过分层循环切换状态模型发现同步时间序列中的群体动力学

    我们提出了一种新的层次切换状态模型，可以以无监督方式进行训练，同时解释系统层面和个体层面的动态，通过观测到的链条在实体和系统层面之间的反馈来提高灵活性，通过实验验证了模型在预测未来个体行为方面的优越性，并能解释群体动态。

    Jan, 2024

  • 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

  • 稳定扩散过程的因果建模

    我们开发了一种新的因果推断方法，通过学习随机微分方程 (SDEs) 的稳定密度来模拟系统在干预下的行为，而不需要因果图的结构方程，并且无需考虑无环性的常见假设。我们表明，在若干情况下，这些稳定扩散模型对于变量上的未观测干预进行了推广，通常比传统方法更好。我们的推断方法基于一个新的理论结果，通过在再生核希尔伯特空间中表达扩散的生成器上的稳定条件。由此产生的核函数离稳定性的偏差 (KDS) 是一个独立感兴趣的目标函数。

    Oct, 2023