Deep Recurrent Modelling of Granger Causality with Latent Confounding
含潜在混杂的格兰杰因果关系深度循环建模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：摘要以非线性观测时间序列、滞后关系和格兰杰检验为核心，直接支持时间序列分类，未明确给出干预效应估计。
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…
关注这篇论文的作者
含潜在混杂的格兰杰因果关系深度循环建模
- 研究问题
- 观测时间序列存在非线性和潜在混杂时，如何建模格兰杰关系，避免混杂变量以不同滞后影响两条序列而产生虚假判断？
- 方法与思路
- 作者用多个循环神经网络参数化预测分布，显式纳入潜在混杂，并以双解码器结构实施格兰杰检验及非线性随机序列实验。
- 材料陈述的贡献
- 摘要称，双解码器为格兰杰检验提供新实现，并在潜在混杂具有不同作用滞后的模拟序列中展示相对基准的有效性。
- 阅读关注点
- 应核对潜在混杂如何建模或识别、双解码器的比较统计量与校准，以及模拟设定，并检查摘要对格兰杰定义的线性限制表述。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明识别条件与数值表现，格兰杰预测关系不能直接等同于干预因果效应。
原文摘要
Inferring causal relationships in observational time series data is an important task when interventions cannot be performed. Granger causality is a popular framework to infer potential causal mechanisms between different time series. The original definition of Granger causality is restricted to linear processes and leads to spurious conclusions in the presence of a latent confounder. In this work, we harness the expressive power of recurrent neural networks and propose a deep learning-based approach to model non-linear Granger causality by directly accounting for latent confounders. Our approach leverages multiple recurrent neural networks to parameterise predictive distributions and we propose the novel use of a dual-decoder setup to conduct the Granger tests. We demonstrate the model performance on non-linear stochastic time series for which the latent confounder influences the cause and effect with different time lags; results show the effectiveness of our model compared to existing benchmarks.