Identifying Nonstationary Causal Structures with High-Order Markov Switching Models

要約

時系列での因果関係の発見は急速に進化している分野であり、気候科学や神経科学などの他の分野でも幅広く応用されています。
従来のアプローチは定常因果グラフを想定しており、時間依存の効果や不均一ノイズを伴う非定常時系列に適応できます。
この研究では、体制依存の因果構造を介して非定常性に取り組みます。
まず、高次マルコフスイッチングモデルの識別可能性を確立します。これは、識別可能なレジーム依存の因果関係発見の基礎を提供します。
私たちの実証研究は、高次レジーム依存構造推定に対する私たちが提案するアプローチの拡張性を実証し、脳活動データに対するその適用可能性を示します。

要約(オリジナル)

Causal discovery in time series is a rapidly evolving field with a wide variety of applications in other areas such as climate science and neuroscience. Traditional approaches assume a stationary causal graph, which can be adapted to nonstationary time series with time-dependent effects or heterogeneous noise. In this work we address nonstationarity via regime-dependent causal structures. We first establish identifiability for high-order Markov Switching Models, which provide the foundations for identifiable regime-dependent causal discovery. Our empirical studies demonstrate the scalability of our proposed approach for high-order regime-dependent structure estimation, and we illustrate its applicability on brain activity data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google