Causal Discovery from Conditionally Stationary Time Series

要約

因果関係の発見、つまり観察データから根底にある因果関係を推測することは、AI システムにとって非常に困難であることが示されています。
時系列モデリングのコンテキストでは、従来の因果関係発見手法は主に、完全に観測された変数や定常時系列のデータを含む制約付きシナリオを考慮します。
私たちは、条件付きで定常である幅広いクラスの非定常時系列を処理するための因果発見アプローチを開発します。この場合、非定常の動作は、一連の (おそらく隠れた) 状態変数に条件付けされた定常性としてモデル化されます。
状態依存因果推論 (SDCI) と名付けられた私たちのアプローチは、完全に観察された状態では実証的に、隠れた状態では経験的に、根底にある因果関係を回復することができます。
後者は合成線形システムと非線形粒子相互作用データの実験によって確認されており、SDCI はベースラインの因果関係発見手法よりも優れたパフォーマンスを達成します。
NBA 選手の動きのモデリングにおいて非因果的 RNN よりも改善された結果は、私たちの方法の可能性を実証し、予測に因果関係に基づく方法を使用する動機付けとなります。

要約(オリジナル)

Causal discovery, i.e., inferring underlying causal relationships from observational data, has been shown to be highly challenging for AI systems. In time series modeling context, traditional causal discovery methods mainly consider constrained scenarios with fully observed variables and/or data from stationary time-series. We develop a causal discovery approach to handle a wide class of non-stationary time-series that are conditionally stationary, where the non-stationary behaviour is modeled as stationarity conditioned on a set of (possibly hidden) state variables. Named State-Dependent Causal Inference (SDCI), our approach is able to recover the underlying causal dependencies, provably with fully-observed states and empirically with hidden states. The latter is confirmed by experiments on synthetic linear system and nonlinear particle interaction data, where SDCI achieves superior performance over baseline causal discovery methods. Improved results over non-causal RNNs on modeling NBA player movements demonstrate the potential of our method and motivate the use of causality-driven methods for forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google