时序数据存在近因性特点,即变量值普遍依赖近期的历史信息,而现有时序因果推断方法没有充分考虑时序数据的这种特性,在通过假设检验推断不同延迟的因果关系时使用统一的阈值,难以有效推断较弱的因果关系。针对上述问题,提出基于自适应...时序数据存在近因性特点,即变量值普遍依赖近期的历史信息,而现有时序因果推断方法没有充分考虑时序数据的这种特性,在通过假设检验推断不同延迟的因果关系时使用统一的阈值,难以有效推断较弱的因果关系。针对上述问题,提出基于自适应阈值学习的时序因果推断方法:首先提取数据特性,其次根据不同延迟下数据呈现的性质,自动地学习假设检验过程中使用的阈值组合,最后将该阈值组合用于PC(Peter-Clark)算法、PCMCI(Peter-Clark and Momentary Conditional Independence)算法和VAR-LINGAM(Vector AutoRegressive LINear non-Gaussian Acyclic Model)算法的假设检验过程,以得到更准确的因果关系结构。在仿真数据集上的实验结果表明,采用所提方法的自适应PC算法、自适应PCMCI算法和自适应VAR-LINGAM算法的F1值都有所提高。展开更多
文摘时序数据存在近因性特点,即变量值普遍依赖近期的历史信息,而现有时序因果推断方法没有充分考虑时序数据的这种特性,在通过假设检验推断不同延迟的因果关系时使用统一的阈值,难以有效推断较弱的因果关系。针对上述问题,提出基于自适应阈值学习的时序因果推断方法:首先提取数据特性,其次根据不同延迟下数据呈现的性质,自动地学习假设检验过程中使用的阈值组合,最后将该阈值组合用于PC(Peter-Clark)算法、PCMCI(Peter-Clark and Momentary Conditional Independence)算法和VAR-LINGAM(Vector AutoRegressive LINear non-Gaussian Acyclic Model)算法的假设检验过程,以得到更准确的因果关系结构。在仿真数据集上的实验结果表明,采用所提方法的自适应PC算法、自适应PCMCI算法和自适应VAR-LINGAM算法的F1值都有所提高。
