Identifiable Markov Switching Models with Instantaneous Effects and Exponential Families
含同期效应与指数族噪声的可识别马尔可夫切换模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究非平稳时间序列的潜在状态切换，并以识别状态依赖因果结构为核心目标。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
含同期效应与指数族噪声的可识别马尔可夫切换模型
- 研究问题
- 当时间序列频繁切换状态，并存在非线性滞后、同期变量效应与非高斯噪声时，如何识别潜在状态及状态特定的因果结构？
- 方法与思路
- 作者在时间状态依赖、非线性滞后与同期效应、独立指数族噪声的框架下研究可识别性，并提出可搭配平稳因果发现方法的 FlowMSM。
- 材料陈述的贡献
- 摘要称识别理论覆盖潜在状态和状态依赖因果结构，并包含非时间因果混合模型；合成及金融经济数据实验展示方法表现。
- 阅读关注点
- 应核对状态与因果结构可识别的等价范围、独立噪声要求、切换过程条件，以及 FlowMSM 与后续因果发现方法的接口假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列出完整识别条件及实验数值，金融数据应用也不自动验证因果结构。
原文摘要
Temporal systems often exhibit non-stationary behaviour, such as seasonal climate variation or glucose fluctuations in patients with type-1 diabetes. One way to model non-stationarity is through discrete latent regimes, i.e., stationary segments of time. Such systems induce a Markov Switching Model (MSM), a class of Hidden Markov Models with autoregressive dependencies among latent regimes and observed variables. Identifying latent regimes is challenging in the presence of frequent regime switches and nonlinear and non-Gaussian dynamics, particularly when there are instantaneous effects between the variables, e.g., due to slow rates of measurements. In this work, we establish the identifiability of both latent regimes and regime-dependent causal structures under temporal regime dependencies, nonlinear lagged and instantaneous effects, and independent noise from the exponential family. Our identifiability theory subsumes non-temporal mixtures of causal models. Furthermore, we introduce FlowMSM, a regime detection framework that can be paired with any stationary causal discovery method to recover regime-dependent causal structures. Experiments on synthetic benchmarks and a financial economics dataset demonstrate the effectiveness of our approach to detect latent regimes and discover causal structures from non-stationary time series.