时间序列结构学习:局部因果父节点发现

媒体报道 Hugging Face Papers 原文语言:中文

本文提出迭代时序父节点发现(ITPD)算法,用于在存在因果非平稳性的多元时间序列上进行因果结构学习。ITPD 采用从局部到全局的策略,依次发现每个变量的父节点集,并利用时序结构先验、图划分和局部马尔可夫条件,以低阶条件独立性检验替代高阶检验。在 2000 个节点的图上,ITPD 的运行速度分别为迭代 IAMB、DF-PC 和 PCMCI 的 2.3 倍、9.1 倍和 40.9 倍。

全文

在时间序列上的学习和推断可能会带来显著的统计挑战,包括自相关观测、随时间的分布漂移以及维度灾难。这些挑战使因果发现算法的实际应用更加复杂,而这些算法在一般情况下已经面临高计算和样本复杂度的问题。为缓解这些问题,本文提出了迭代时间父节点发现(Iterative Temporal Parent Discovery,ITPD):一种针对具有因果非平稳性的多变量时间序列的因果结构学习的可靠且完备的基于约束的程序。ITPD 采用局部到全局的学习方法,通过顺序发现每个变量的父节点集合来构建全局图。ITPD 利用时间结构先验、图划分以及局部马尔可夫条件,将高阶条件独立性检验替换为低阶检验。使用精确的oracle时,ITPD 在测试次数上最少,且相对于基线使用的平均条件集合规模最小。在基准模拟中,ITPD 在 F1 分数和实际运行时间方面位于帕累托前沿,并且在大规模图(≥1000 节点)上比基线更快。对于 2000 节点的图,ITPD 的运行速度分别比迭代 IAMB、DF‑PC 和 PCMCI 快 2.3 倍、9.1 倍和 40.9 倍。

View arXiv page View PDF GitHub 0 Add to collection

正文为 AI 译文。

参考来源

← 返回每日AI报告