Castor: Causal Temporal Regime Structure Learning

要約

多変量時系列データ間の因果関係を明らかにするというタスクは、気候科学から医療に至る幅広い分野にまたがる重要かつ挑戦的な目標です。
このようなデータは線形または非線形の関係を伴い、通常は複数のアプリオリな未知のレジームに従います。
既存の因果発見手法は、既知のレジームを含む異種データから要約因果グラフを推論できますが、レジームと対応する因果グラフの両方を包括的に学習するという点では不十分です。
この論文では、それぞれが異なる因果グラフによって支配されるさまざまなレジームで構成される異種時系列データの因果関係を学習するように設計された新しいフレームワークである CASTOR を紹介します。
EM アルゴリズムによるスコア関数の最大化を通じて、CASTOR はレジームの数を推測し、各レジームにおける線形または非線形の因果関係を学習します。
CASTOR の堅牢な収束特性を実証し、特に固有のレジームを正確に識別する能力を強調します。
徹底的な合成実験と 2 つの現実世界のベンチマークから得られた経験的証拠は、ベースライン手法と比較して、因果関係発見における CASTOR の優れたパフォーマンスを裏付けています。
各レジームの完全な時間的因果グラフを学習することにより、CASTOR は、異質な時系列における因果関係を発見するための明確に解釈可能な方法としての地位を確立します。

要約(オリジナル)

The task of uncovering causal relationships among multivariate time series data stands as an essential and challenging objective that cuts across a broad array of disciplines ranging from climate science to healthcare. Such data entails linear or non-linear relationships, and usually follow multiple a priori unknown regimes. Existing causal discovery methods can infer summary causal graphs from heterogeneous data with known regimes, but they fall short in comprehensively learning both regimes and the corresponding causal graph. In this paper, we introduce CASTOR, a novel framework designed to learn causal relationships in heterogeneous time series data composed of various regimes, each governed by a distinct causal graph. Through the maximization of a score function via the EM algorithm, CASTOR infers the number of regimes and learns linear or non-linear causal relationships in each regime. We demonstrate the robust convergence properties of CASTOR, specifically highlighting its proficiency in accurately identifying unique regimes. Empirical evidence, garnered from exhaustive synthetic experiments and two real-world benchmarks, confirm CASTOR’s superior performance in causal discovery compared to baseline methods. By learning a full temporal causal graph for each regime, CASTOR establishes itself as a distinctly interpretable method for causal discovery in heterogeneous time series.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google