- 工业过程中的自动化知识图谱学习
该篇论文介绍了一种针对工业应用量身定制的从时间序列数据中自动学习知识图谱的框架,该框架通过解决工业数据固有的复杂性将其转化为知识图谱,从而提升决策制定、过程优化和知识发现;此外,它还利用格兰杰因果关系识别可以为预测模型设计提供指导的关键属性 - KDD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
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 - 神经 Koopman 动态因果发现
通过神经网络的数据驱动学习 Koopman 基础知识的 Koopman 灵感框架 (NKDCD),可可靠地推断 Granger 因果关系以及相关的非线性动力学。
- 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 - 从基于实例自我注意力的 Hawkes 过程中学习格兰杰因果性
我们提出了一种新的深度学习框架,Instance-wise 自注意力 Hawkes 过程(ISAHP),可以直接推断事件实例级别的 Granger 因果关系,ISAHP 是满足 Granger 因果关系要求的第一个神经点过程模型。
- 从生物神经动力学中发现因果关系的注意力机制
该研究探索了使用转换模型学习具有复杂非线性动态的网络中的 Granger 因果关系的潜力,以神经生物学和生物物理学网络为例;研究主要集中于基于模拟神经动力学的概念验证研究,结果表明,用于预测神经群体动力学的转换模型的交叉注意模块有效地捕捉到 - 应用状态空间模型的图论方法在气候科学中的 Granger 因果关系研究
Granger 因果性作为一种评估一个时间序列对另一个时间序列的可预测性的方法,在许多应用领域被广泛使用,本研究提出了一种基于图形状态空间模型的 Granger 因果性方法,应用于气候问题,并展示了其相对于标准 Granger 因果性方法的 - TNPAR: 基于拓扑神经泊松自回归模型的事件序列马尔科夫网络格兰杰因果结构学习
本文提出了一个基于拓扑神经 Poisson 自回归模型、使用 amortized 推理算法解决非独立同分布事件序列的 Granger 因果关系推导问题的端到端框架。
- Granger 因果层次技能发现
介绍了一种新算法 Hierarchy of Interaction Skills(HIntS),利用 Granger causality 无监督地发现和使用交互探测器训练层次化的技能,解决了强化学习中样本效率低和泛化问题。在机器人推动障碍物 - CUTS+:从不规则时间序列中进行高维因果发现
本文提出了 CUTS + 方法,该方法结合了 Granger 因果关系、粗到细发现技术和基于信息传递的图神经网络,以克服时间序列数据中高维度和缺失值的限制,从而取得了很好的因果发现性能。
- IJCAI事件序列的概述马尔可夫模型
本文提出了一种用于处理事件序列的概率模型 - 总结马尔可夫模型,通过选择合适的汇总功能函数,该模型的事件类型的发生概率仅依赖于其历史发生的事件类型的汇总,针对文本类数据进行了模型的构建和优化,通过实验检验模型的性能和发现能力。
- MM通过非凸正则化共同学习多个格兰杰因果网络:推断群体级别的脑连接
本文介绍了一种基于稀疏学习的方法,通过多个 Granger 图对多个时间序列进行联合学习以发现共同和差异的 Granger 因果关系结构,该方法在 ADHD 的 fMRI 数据集中找到了两组个体的大脑连接机制及其差异。
- 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。
- ICML图神经网络生成因果解释
Gem 是一种通用方法,为各种图形学习任务上的任何 GNN 提供可解释性解释,通过因果学习任务解决了 GNN 决策的解释问题,并显示其相对于最先进的替代方案具有更好的解释准确性增加了高达 30%,并将解释过程加速了高达 110 倍。
- CVPR利用情感因果关系对多媒体内容进行情感分析
通过 Affect2MM,我们提供了一种用于多媒体内容时间序列情感预测的学习方法,利用情感因果理论来计算实现对电影片段中情感的显式建模,通过基于注意力机制和格兰杰因果性的方法来显式建模情感的时间因果性,并使用 LSTM 的情感感知模型进行评 - ICLR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 - 瑜伽是否让你快乐?利用文本和时间信息分析推特用户的幸福感
本研究使用 Granger 因果关系探究社交媒体中瑜伽与快乐之间的关系,结合文本和时间信息,通过内容分析衡量瑜伽活动水平和快乐情绪,并使用神经网络和注意力机制提出联合嵌入模型以了解用户瑜伽活动,利用注意力神经网络模型和迁移学习方法测量用户快 - 美国州长和内阁高官 COVID-19 Twitter 话题动态建模
本文通过应用动态课题模型分析美国政府官员在推特上围绕 COVID-19 作出的决策,利用 Hawkes 二项式主题模型跟踪风险、检测和治疗等关键词相关的演变子课题,并通过 Granger 因果推断构建官员之间的影响网络。
- 使用归因方法从事件序列中学习 Granger 因果关系
CAUSE 是一个新颖的框架,通过拟合神经点过程来隐式捕捉事件互依存关系,然后使用公理归因方法从过程中提取格兰杰因果统计量,以解决学习异步、相互依赖、多类型事件序列的格兰杰因果关系的问题。在多个数据集上,CAUSE 表现优于一系列最先进的方 - 用于推断非线性格兰杰因果关系的经济统计循环单元
本文提出了一种基于统计递归单元的组件时间序列预测模型来推断非线性相互作用随机过程的 Granger 因果关系,该模型通过生成回馈来计算其高维隐藏状态的低维草图,其内部权重参数有策略性地分组正则化以便于提取高度本地化的有意义预测特征。