Causal Temporal Regime Structure Learning

要約

経済学、神経科学、気候科学などの分野の動的システムを予測および制御するためには、多変量時系列における因果関係を理解することが不可欠です。
ただし、既存の因果発見方法は、しばしば定常性を想定し、時系列が連続体制、未知の境界を持つ連続した時間セグメント、および因果構造の変化で構成されている場合の有効性を制限します。
この作業では、まずそのような時系列を説明およびモデル化するフレームワークを紹介します。
次に、レジームの数とその連続配置を決定しながら、各レジームの指示された非環式グラフ（DAG）を同時に学習する新しい方法であるキャスターを提示します。
キャスターは、予想最大化アルゴリズムを使用してデータのログリケリを最適化し、レジームインデックスの割り当て（予想ステップ）と各レジームの因果関係を推測する（最大化ステップ）を推測します。
私たちは、フレームワーク内で体制とDAGの識別可能性を確立します。
広範な実験は、Castorが、合成および現実世界の両方のデータセットで、異なるレジームを検出し、線形および非線形の因果関係を含むさまざまな設定でDAGを学習する際に、既存の因果発見モデルよりも常に優れていることを示しています。

要約(オリジナル)

Understanding causal relationships in multivariate time series is essential for predicting and controlling dynamic systems in fields like economics, neuroscience, and climate science. However, existing causal discovery methods often assume stationarity, limiting their effectiveness when time series consist of sequential regimes, consecutive temporal segments with unknown boundaries and changing causal structures. In this work, we firstly introduce a framework to describe and model such time series. Then, we present CASTOR, a novel method that concurrently learns the Directed Acyclic Graph (DAG) for each regime while determining the number of regimes and their sequential arrangement. CASTOR optimizes the data log-likelihood using an expectation-maximization algorithm, alternating between assigning regime indices (expectation step) and inferring causal relationships in each regime (maximization step). We establish the identifiability of the regimes and DAGs within our framework. Extensive experiments show that CASTOR consistently outperforms existing causal discovery models in detecting different regimes and learning their DAGs across various settings, including linear and nonlinear causal relationships, on both synthetic and real world datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google