GRACE-C: Generalized Rate Agnostic Causal Estimation via Constraints

要約

時系列データから因果学習アルゴリズムによって推定されたグラフィック構造は、生成プロセスの因果タイムスケールがデータの測定タイムスケールと一致しない場合、誤解を招く因果情報を提供する可能性があります。
既存のアルゴリズムでは、この課題に対応するためのリソースが限られているため、研究者は誤解を招く可能性が高いとわかっているモデルを使用するか、因果関係による学習を完全に放棄する必要があります。
既存の方法は、1) 因果関係のタイムスケールと測定のタイムスケールの違いがわかっている必要があるため、最大 4 つの明確な欠点に直面しています。
2) タイムスケールの差が不明な場合は、非常に少数の確率変数のみを処理します。
3) 変数のペアにのみ適用されます。
または 4) データに統計的ノイズがあるため、解決策を見つけることができない。
この研究はこれらの課題に対処します。
私たちのアプローチは、問題の構造に関する理論的な洞察と、許容される因果的相互作用に関する事前情報の両方と制約プログラミングを組み合わせて、数桁の高速化を達成します。
結果として得られるシステムは、タイムスケールの違いを認識することなく、非常に大きな確率変数セット (>100) にスケーリングしながら、理論上の保証を維持します。
この方法はエッジの誤認に対しても堅牢であり、パラメトリック接続強度を使用することができ、オプションで多くの可能なソリューションの中から最適なソリューションを見つけることができます。

要約(オリジナル)

Graphical structures estimated by causal learning algorithms from time series data can provide misleading causal information if the causal timescale of the generating process fails to match the measurement timescale of the data. Existing algorithms provide limited resources to respond to this challenge, and so researchers must either use models that they know are likely misleading, or else forego causal learning entirely. Existing methods face up-to-four distinct shortfalls, as they might 1) require that the difference between causal and measurement timescales is known; 2) only handle very small number of random variables when the timescale difference is unknown; 3) only apply to pairs of variables; or 4) be unable to find a solution given statistical noise in the data. This research addresses these challenges. Our approach combines constraint programming with both theoretical insights into the problem structure and prior information about admissible causal interactions to achieve multiple orders of magnitude in speed-up. The resulting system maintains theoretical guarantees while scaling to significantly larger sets of random variables (>100) without knowledge of timescale differences. This method is also robust to edge misidentification and can use parametric connection strengths, while optionally finding the optimal solution among many possible ones.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google