Granger Causality Detection with Kolmogorov-Arnold Networks

在许多科学领域中，发现时间序列数据中的因果关系是至关重要的，这些领域从经济学到气候科学不一而足。格兰杰因果关系（Granger causality）是检测因果关系的有力工具。然而，其原始表述受到线性形式的限制，直到最近才引入了非线性的机器学习泛化方法。本研究通过探讨Kolmogorov-Arnold网络（KANs）在格兰杰因果关系检测中的应用，并将其能力与多层感知器（MLP）进行比较，为神经格兰杰因果模型的定义做出了贡献。在这项工作中，我们开发了一个名为“格兰杰因果关系KAN”（GC-KAN）的框架，以及专门为格兰杰因果关系检测设计的训练方法。我们在向量自回归（VAR）模型和混沌洛伦兹-96系统上测试了该框架，分析了KANs通过识别格兰杰因果关系来简化输入特征的能力，提供了一种简洁而准确的格兰杰因果关系检测模型。我们的研究结果表明，KANs在识别可解释的格兰杰因果关系方面具有超越MLPs的潜力，尤其是在高维环境中识别稀疏格兰杰因果模式的能力，更广泛地说，展示了人工智能在物理系统动态规律因果发现中的潜力。

该论文旨在解决在时间序列数据中发现因果关系的问题，特别是通过改进Granger因果检测方法来应对非线性关系和高维数据的挑战。这是一个重要的问题，因为传统的Granger因果分析主要基于线性模型，难以处理复杂的非线性系统。

关键思路是引入Kolmogorov-Arnold网络（KANs）作为神经Granger因果模型的基础，并开发了一种名为Granger Causality KAN（GC-KAN）的新框架。相比现有的多层感知机（MLP），KANs能够更好地捕捉非线性关系并识别稀疏的因果模式，尤其是在高维数据环境中。这种新方法为因果关系的发现提供了更强大的工具。

论文展示了KANs在Vector Autoregressive (VAR)模型和Lorenz-96混沌系统中的应用，证明了其在复杂动态系统中识别因果关系的能力。实验设计严谨，使用了合成数据集进行验证，并且开源代码有助于后续研究。未来值得深入研究的方向包括进一步优化训练算法以及探索KANs在其他领域（如经济学、气候科学）的应用。

最近在这个领域中，相关研究包括： 1. "Nonlinear Granger Causality: A New Tool for Dynamic Systems" 2. "Deep Learning for Time Series Forecasting and Causal Inference" 3. "Sparse Identification of Nonlinear Dynamics from Data" 这些研究都在尝试通过不同的机器学习技术来改进时间序列中的因果关系检测。