Deep Learning-based Group Causal Inference in Multivariate Time-series

要約

多変量時系列の非線形システムにおける因果推論は、変数間の関係の複雑な網を解きほぐすのに役立ち、より正確な予測を行い、現実世界の複雑なシステムに対するより深い洞察を得ることができます。
因果関係手法は通常、変数グループの集団効果や 2 つ以上の時系列変数が関与する交互作用を無視しながら、変数の各ペアの因果関係を考慮することによって、多変量システムの因果構造を特定します。
この研究では、気候や生態系、脳ネットワークなどの変数のグループにおける因果方向を推測するために、訓練された深層ネットワークに対するグループレベルの介入によってモデルの不変性をテストします。合成および現実世界の時系列データを使用した広範なテストにより、次のことがわかります。
他の適用されたグループ因果関係手法に比べて、私たちの手法は大幅に改善されており、現実世界の時系列についての洞察が得られます。
私たちのメソッドのコードは、https://github.com/wasimahmadpk/gCause にあります。

要約(オリジナル)

Causal inference in a nonlinear system of multivariate timeseries is instrumental in disentangling the intricate web of relationships among variables, enabling us to make more accurate predictions and gain deeper insights into real-world complex systems. Causality methods typically identify the causal structure of a multivariate system by considering the cause-effect relationship of each pair of variables while ignoring the collective effect of a group of variables or interactions involving more than two-time series variables. In this work, we test model invariance by group-level interventions on the trained deep networks to infer causal direction in groups of variables, such as climate and ecosystem, brain networks, etc. Extensive testing with synthetic and real-world time series data shows a significant improvement of our method over other applied group causality methods and provides us insights into real-world time series. The code for our method can be found at:https://github.com/wasimahmadpk/gCause.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google