Causal Discovery from Conditionally Stationary Time Series

要約

因果発見、すなわち、観察データから根本的な因果関係を推測することは、AIシステムにとって非常に困難です。
時系列モデリングのコンテキストでは、従来の因果発見方法は、主に、完全に観察された変数および/または固定時代からのデータを備えた制約されたシナリオを考慮します。
私たちは、非定常行動が潜在状態変数のセットを条件付けされた定常性としてモデル化される条件付きで固定的な非定常時系列の広いクラスを処理する因果発見アプローチを開発します。
状態依存因果推論（SDCI）と名付けられたこのアプローチは、状態依存因果構造の証明可能な識別可能性を伴う、基礎となる因果関係を回復することができます。
非線形粒子相互作用データと遺伝子調節ネットワークに関する経験的実験は、ベースライン因果発見方法よりもSDCIの優れた性能を示しています。
NBAプレーヤーの動きのモデリングに関する非因果性RNNの改善された結果は、当社の方法の可能性を示し、予測のための因果関係主導の方法の使用を動機付けます。

要約(オリジナル)

Causal discovery, i.e., inferring underlying causal relationships from observational data, is highly challenging for AI systems. In a time series modeling context, traditional causal discovery methods mainly consider constrained scenarios with fully observed variables and/or data from stationary time-series. We develop a causal discovery approach to handle a wide class of nonstationary time series that are conditionally stationary, where the nonstationary behaviour is modeled as stationarity conditioned on a set of latent state variables. Named State-Dependent Causal Inference (SDCI), our approach is able to recover the underlying causal dependencies, with provable identifiablity for the state-dependent causal structures. Empirical experiments on nonlinear particle interaction data and gene regulatory networks demonstrate SDCI’s superior performance over baseline causal discovery methods. Improved results over non-causal RNNs on modeling NBA player movements demonstrate the potential of our method and motivate the use of causality-driven methods for forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google