Jacobian Regularizer-based Neural Granger Causality

要約

ニューラル ネットワークの進歩に伴い、ニューラル グレンジャー因果関係のさまざまな方法が登場し、複雑なデータや非線形関係の処理に習熟していることが実証されています。
ただし、神経グレンジャー因果関係の既存の枠組みにはいくつかの制限があります。
ターゲット変数ごとに個別の予測モデルを構築する必要があり、その関係は最初の層の重みのスパース性に依存するため、変数間の複雑な関係を効果的にモデル化することが困難になるだけでなく、グレンジャー因果関係の推定精度も満足のいくものではありません。
さらに、彼らのほとんどはフルタイムのグレンジャーの因果関係を把握できません。
これらの欠点に対処するために、我々は、ヤコビアン正則化ベースのニューラル グレンジャー因果関係 (JRNGC) アプローチを提案します。これは、すべてのターゲット変数に対して単一のモデルを構築することにより、多変量サマリー グレンジャー因果関係とフルタイム グレンジャー因果関係を学習するための簡単でありながら非常に効果的な方法です。
具体的には、私たちの方法は入出力ヤコビ行列正則化機能を活用することで重みのスパース性制約を排除し、その後ポストホック分析で重み付き因果行列として表すことができます。
広範な実験により、私たちが提案したアプローチは、モデルの複雑性の低下と高いスケーラビリティを維持しながら、サマリー グレンジャー因果関係とフルタイム グレンジャー因果関係を学習するための最先端の方法で競争力のあるパフォーマンスを達成できることが示されています。

要約(オリジナル)

With the advancement of neural networks, diverse methods for neural Granger causality have emerged, which demonstrate proficiency in handling complex data, and nonlinear relationships. However, the existing framework of neural Granger causality has several limitations. It requires the construction of separate predictive models for each target variable, and the relationship depends on the sparsity on the weights of the first layer, resulting in challenges in effectively modeling complex relationships between variables as well as unsatisfied estimation accuracy of Granger causality. Moreover, most of them cannot grasp full-time Granger causality. To address these drawbacks, we propose a Jacobian Regularizer-based Neural Granger Causality (JRNGC) approach, a straightforward yet highly effective method for learning multivariate summary Granger causality and full-time Granger causality by constructing a single model for all target variables. Specifically, our method eliminates the sparsity constraints of weights by leveraging an input-output Jacobian matrix regularizer, which can be subsequently represented as the weighted causal matrix in the post-hoc analysis. Extensive experiments show that our proposed approach achieves competitive performance with the state-of-the-art methods for learning summary Granger causality and full-time Granger causality while maintaining lower model complexity and high scalability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google