Causal Discovery from Temporal Data: An Overview and New Perspectives

要約

複雑なシステムの時系列的な観察を表す時間データは、産業、医療、金融など多くの領域で広く生成される典型的なデータ構造である。この種のデータを分析することは、様々なアプリケーションにとって非常に有益である。そのため、過去数十年の間に、分類、クラスタリング、予測など、さまざまな時間データ分析タスクが提案されてきた。その中でも、時間データから因果関係を学習する因果発見は、興味深いが重要なタスクであると考えられており、多くの研究者の注目を集めている。既存の因果関係発見研究は、時系列データの較正の有無により、多変量時系列因果関係発見と事象系列因果関係発見の2つの相関性の高いカテゴリに分けられる。しかし、先行研究の多くは、時系列因果探索にのみ焦点を当て、2つ目のカテゴリーを無視している。本稿では、この2つのカテゴリー間の相関関係を明らかにし、既存の解決策を系統的に概観する。さらに、時系列データ因果探索のための公開データセット、評価指標、新たな視点を提供する。

要約(オリジナル)

Temporal data, representing chronological observations of complex systems, has always been a typical data structure that can be widely generated by many domains, such as industry, medicine and finance. Analyzing this type of data is extremely valuable for various applications. Thus, different temporal data analysis tasks, eg, classification, clustering and prediction, have been proposed in the past decades. Among them, causal discovery, learning the causal relations from temporal data, is considered an interesting yet critical task and has attracted much research attention. Existing causal discovery works can be divided into two highly correlated categories according to whether the temporal data is calibrated, ie, multivariate time series causal discovery, and event sequence causal discovery. However, most previous surveys are only focused on the time series causal discovery and ignore the second category. In this paper, we specify the correlation between the two categories and provide a systematical overview of existing solutions. Furthermore, we provide public datasets, evaluation metrics and new perspectives for temporal data causal discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL