CUTS+: High-dimensional Causal Discovery from Irregular Time-series

要約

タイトル：不規則な時系列からの高次元因果推論：CUTS+

要約：
– 時系列の因果推論は、機械学習コミュニティにおける基本的な問題であり、複雑な状況における因果推論や意思決定を可能にします。
– 最近の研究では、ニューラルネットワークとグレンジャー因果関係を組み合わせることで因果性を発見することに成功していますが、高次元データに遭遇した場合、高度に冗長なネットワーク設計と膨大な因果グラフのために性能が大幅に低下します。
– さらに、観測データの欠落は因果的な構造学習をさらに妨げる要因となります。
– これらの制限を克服するために、私たちはCUTS+を提案しています。これは、Granger因果関係をベースとするCUTSの因果推論方法に、Coarse-to-fine-discovery（C2FD）という技術を導入し、グラフニューラルネットワーク（MPGNN）に基づくメッセージパッシングを活用して、スケーラビリティを向上させたものです。
– シミュレーション、準実際、および実データセットに対する以前の手法と比較して、CUTS+は異なる種類の不規則サンプリングを持つ高次元データにおいて因果推論性能を大幅に改善していることが示されています。

要約(オリジナル)

Causal discovery in time-series is a fundamental problem in the machine learning community, enabling causal reasoning and decision-making in complex scenarios. Recently, researchers successfully discover causality by combining neural networks with Granger causality, but their performances degrade largely when encountering high-dimensional data because of the highly redundant network design and huge causal graphs. Moreover, the missing entries in the observations further hamper the causal structural learning. To overcome these limitations, We propose CUTS+, which is built on the Granger-causality-based causal discovery method CUTS and raises the scalability by introducing a technique called Coarse-to-fine-discovery (C2FD) and leveraging a message-passing-based graph neural network (MPGNN). Compared to previous methods on simulated, quasi-real, and real datasets, we show that CUTS+ largely improves the causal discovery performance on high-dimensional data with different types of irregular sampling.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI