SpaceTime: Causal Discovery from Non-Stationary Time Series

要約

因果関係を理解することは困難であり、時間の経過や環境間で因果関係が変化するため、複雑になることがよくあります。
たとえば、気候パターンは、季節の傾向が繰り返されることで時間の経過とともに変化しますが、生態系の変動などの地理的特徴にも依存します。
時系列から因果関係グラフを発見するための既存の方法は、定常性を仮定しているか、時間的および空間的分布の変化を許容していないか、同じ因果関係を持つ位置を認識していません。
したがって、この研究では、非定常マルチコンテキスト設定での因果グラフの発見、時間領域の再構築、不変の因果関係が保持されるデータセットと時間間隔への分割という 3 つのタスクを統合します。
私たちの方法の基礎を形成する一貫したスコアを構築するために、最小記述長の原則を採用します。
結果として得られるアルゴリズム SPACETIME は、空間全体の不均一性と時間の経過に伴う非定常性を同時に考慮します。
複数の時系列が与えられると、ノンパラメトリック関数モデリングとカーネル化された不一致テストを使用して、体制変化点と時間的因果グラフを発見します。
また、私たちの方法が、さまざまな集水域で測定された河川流出や生態系全体にわたる生物圏と大気の相互作用などの現実世界の現象に対する洞察を提供することも示します。

要約(オリジナル)

Understanding causality is challenging and often complicated by changing causal relationships over time and across environments. Climate patterns, for example, shift over time with recurring seasonal trends, while also depending on geographical characteristics such as ecosystem variability. Existing methods for discovering causal graphs from time series either assume stationarity, do not permit both temporal and spatial distribution changes, or are unaware of locations with the same causal relationships. In this work, we therefore unify the three tasks of causal graph discovery in the non-stationary multi-context setting, of reconstructing temporal regimes, and of partitioning datasets and time intervals into those where invariant causal relationships hold. To construct a consistent score that forms the basis of our method, we employ the Minimum Description Length principle. Our resulting algorithm SPACETIME simultaneously accounts for heterogeneity across space and non-stationarity over time. Given multiple time series, it discovers regime changepoints and a temporal causal graph using non-parametric functional modeling and kernelized discrepancy testing. We also show that our method provides insights into real-world phenomena such as river-runoff measured at different catchments and biosphere-atmosphere interactions across ecosystems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google