Causal Graph Discovery from Self and Mutually Exciting Time Series

要約

時系列から因果有向非巡回グラフ (DAG) を復元するために、新しいデータ適応型線形正則化と組み合わせた一般化された線形構造因果モデルを提示します。
最近開発された確率的単調変分不等式 (VI) 定式化を活用することにより、因果関係発見問題を一般的な凸最適化としてキャストします。
さらに、広範囲の非線形単調リンク関数の信頼区間を確立する線形プログラムを解くことにより、非漸近回復保証と定量化可能な不確実性を開発します。
私たちは理論的な結果を検証し、広範な数値実験を通じて私たちの方法の競合パフォーマンスを示します。
最も重要なことは、XGBoost などの強力な「ブラックボックス」モデルと同等の予測パフォーマンスを達成しながら、敗血症関連障害 (SAD) に対して高度に解釈可能な原因となる DAG を回復する際のアプローチの有効性を実証したことです。
したがって、臨床医による高リスク患者の継続的な監視を行うために、私たちが提案した方法が将来採用される可能性は非常に高くなります。

要約(オリジナル)

We present a generalized linear structural causal model, coupled with a novel data-adaptive linear regularization, to recover causal directed acyclic graphs (DAGs) from time series. By leveraging a recently developed stochastic monotone Variational Inequality (VI) formulation, we cast the causal discovery problem as a general convex optimization. Furthermore, we develop a non-asymptotic recovery guarantee and quantifiable uncertainty by solving a linear program to establish confidence intervals for a wide range of non-linear monotone link functions. We validate our theoretical results and show the competitive performance of our method via extensive numerical experiments. Most importantly, we demonstrate the effectiveness of our approach in recovering highly interpretable causal DAGs over Sepsis Associated Derangements (SADs) while achieving comparable prediction performance to powerful “black-box” models such as XGBoost. Thus, the future adoption of our proposed method to conduct continuous surveillance of high-risk patients by clinicians is much more likely.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google