Kolmogorov-Arnold Networks for Time Series Granger Causality Inference

要約

グレンジャーの因果関係の推論Kolmogorov-Arnold Networks（Kangci）を提案します。これは、最近提案されたKolmogorov-Arnold Networks（Kan）を因果的推論の領域に拡張する新しいアーキテクチャです。
Kan層からベースウェイトを抽出し、スパースを誘発するペナルティとリッジの正則化を組み込むことにより、Kangciはグレンジャーの因果関係を時系列から効果的に推進します。
さらに、元のまたは時間反転した時系列からより良い推論パフォーマンスを備えた因果関係を自動的に選択する、または結果を統合してスプリアスな結合性を緩和する、時間反転グレンジャーの因果関係に基づいてアルゴリズムを提案します。
Lorenz-96、遺伝子調節ネットワーク、fMRI Bold Signals、var、および実際のEEGデータセットで実施された包括的な実験は、提案されたモデルが非線形、高地からのグレンジャーの因果関係を推測する最先端の方法に対して競争力のあるパフォーマンスを達成することを示しています。
寸法、および限られたサンプルの時系列。

要約(オリジナル)

We propose the Granger causality inference Kolmogorov-Arnold Networks (KANGCI), a novel 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 and ridge regularization, KANGCI effectively infers the Granger causality from time series. Additionally, we propose an algorithm based on time-reversed Granger causality that automatically selects causal relationships with better inference performance from the original or time-reversed time series or integrates the results to mitigate spurious connectivities. Comprehensive experiments conducted on Lorenz-96, Gene regulatory networks, fMRI BOLD signals, VAR, and real-world EEG 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