Kolmogorov-Arnold Networks for Time Series Granger Causality Inference

要約

最近提案されたコルモゴロフ-アーノルド ネットワーク (KAN) を因果推論の領域に拡張する革新的なアーキテクチャであるグレンジャー因果関係コルモゴロフ-アーノルド ネットワーク (GCKAN) を紹介します。
KAN レイヤーから基本重みを抽出し、リッジ正則化とともにスパース性誘発ペナルティを組み込むことにより、GCKAN は時系列からグレンジャーの因果関係を推論し、同時に自動タイムラグ選択を可能にします。
さらに、推論の精度を高めるために、時間逆転したグレンジャー因果関係を活用するアルゴリズムを提案します。
このアルゴリズムは、元の系列と時間反転系列から得られた予測損失とスパース誘発損失を比較し、より高いスコアを持つカジュアルな関係を自動的に選択するか、結果を統合してスプリアス接続を軽減します。
Lorenz-96、遺伝子制御ネットワーク、fMRI BOLD 信号、および VAR データセットに対して行われた包括的な実験は、提案されたモデルが、非線形、高次元、および限定された状態からグレンジャー因果関係を推論する際に、最先端の方法に匹敵するパフォーマンスを達成することを実証しています。
サンプル時系列。

要約(オリジナル)

We introduce Granger Causality Kolmogorov-Arnold Networks (GCKAN), an innovative architecture that extends the recently proposed Kolmogorov-Arnold Networks (KAN) to the domain of causal inference. By extracting base weights from KAN layers and incorporating the sparsity-inducing penalty along with ridge regularization, GCKAN infers the Granger causality from time series while enabling automatic time lag selection. Additionally, we propose an algorithm leveraging time-reversed Granger causality to enhance inference accuracy. The algorithm compares prediction and sparse-inducing losses derived from the original and time-reversed series, automatically selecting the casual relationship with the higher score or integrating the results to mitigate spurious connectivities. Comprehensive experiments conducted on Lorenz-96, gene regulatory networks, fMRI BOLD signals, and VAR datasets demonstrate that the proposed model achieves competitive performance to state-of-the-art methods in inferring Granger causality from nonlinear, high-dimensional, and limited-sample time series.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google