TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data

随着时间序列数据在环境科学、流行病学和经济学等各个领域中的可用性和重要性不断增长，越来越需要能够识别非平稳、非线性、通常嘈杂的真实世界数据中错综复杂关系的时间序列因果发现方法。然而，大多数当前的时间序列因果发现方法假定数据具有平稳性和线性关系，因此无法胜任此任务。此外，最近的基于深度学习的方法依赖于传统的因果结构学习方法，使它们计算成本高昂。本文提出了一种时间序列因果神经网络（TS-CausalNN）——一种深度学习技术，可以同时发现同时发生和滞后的因果关系。我们提出的架构包括（i）由平行自定义因果层组成的卷积块，（ii）无环约束，和（iii）使用增广拉格朗日方法的优化技术。除了简单的平行设计外，我们提出的模型的优点是它自然地处理数据的非平稳性和非线性。通过在多个合成和真实世界数据集上的实验，我们展示了我们提出的方法与几种最先进的方法相比的实证效能。对于真实世界数据集的推断图与领域理解是一致的。

该论文旨在解决时间序列因果关系发现中的非平稳性和非线性关系问题，提出了一种基于深度学习的TS-CausalNN方法。

该论文提出的TS-CausalNN方法采用卷积块和自定义因果层并行设计，结合无环约束和增广Lagrangian方法进行优化，可以同时发现同时发生和滞后的因果关系，适用于非平稳和非线性数据。

该方法在多个合成和真实数据集上进行了实验，证明了其较其他现有方法的有效性。该模型的优势在于自然处理数据的非平稳性和非线性，实验结果与领域理解相符。论文还提供了开源代码。

近期相关研究包括：'Causal Discovery from Non-Stationary/Heterogeneous Data: Skeleton Estimation and Orientation Determination'，'Non-Linear Non-Gaussian Causal Models: A Gaussian Process View'等。