Learning latent causal relationships in multiple time series
多变量时间序列中的潜在因果关系学习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：摘要围绕多变量动态信号、潜在线性混合及 Granger 类关系展开，直接对应时间序列。
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
多变量时间序列中的潜在因果关系学习
- 研究问题
- 当观测时间序列是潜在信号的线性混合时，如何从数据中发现潜在驱动与被驱动成分之间的动态关系？
- 方法与思路
- 作者将观测投影为驱动与被驱动成分对，通过最大化成分间的因果强度求解优化问题，并给出目标函数与梯度表达式。
- 材料陈述的贡献
- 摘要称，方法在合成数据中展示可行性，并在脑信号和加密货币价格中发现原始观测层面不明显的强动态关系。
- 阅读关注点
- 应核对因果强度的定义、潜在成分的识别与归一化条件，以及优化稳定性和筛选关系后的统计验证方法。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已经同行评审或期刊接收；摘要未说明结构因果识别条件，时序预测关系不能直接解释为干预效应。
原文摘要
Identifying the causal structure of systems with multiple dynamic elements is critical to several scientific disciplines. The conventional approach is to conduct statistical tests of causality, for example with Granger Causality, between observed signals that are selected a priori. Here it is posited that, in many systems, the causal relations are embedded in a latent space that is expressed in the observed data as a linear mixture. A technique for blindly identifying the latent sources is presented: the observations are projected into pairs of components -- driving and driven -- to maximize the strength of causality between the pairs. This leads to an optimization problem with closed form expressions for the objective function and gradient that can be solved with off-the-shelf techniques. After demonstrating proof-of-concept on synthetic data with known latent structure, the technique is applied to recordings from the human brain and historical cryptocurrency prices. In both cases, the approach recovers multiple strong causal relationships that are not evident in the observed data. The proposed technique is unsupervised and can be readily applied to any multiple time series to shed light on the causal relationships underlying the data.