Jacobian Regularizer-based Neural Granger Causality

随着神经网络的发展，出现了多种神经Granger因果关系的方法，展示了处理复杂数据和非线性关系的熟练能力。然而，现有的神经Granger因果关系框架存在一些限制。它需要为每个目标变量构建单独的预测模型，而且关系取决于第一层权重的稀疏性，导致在有效建模变量之间的复杂关系以及未满足Granger因果关系估计精度方面存在挑战。此外，大多数方法不能把握全时Granger因果关系。为了解决这些缺点，我们提出了一种基于Jacobian正则化的神经Granger因果关系（JRNGC）方法，这是一种直接但高效的方法，通过为所有目标变量构建单个模型来学习多元摘要Granger因果关系和全时Granger因果关系。具体而言，我们的方法通过利用输入输出Jacobian矩阵正则化器消除了权重的稀疏约束，随后可以在事后分析中表示为加权因果矩阵。广泛的实验表明，我们提出的方法在保持较低的模型复杂度和高可扩展性的同时，实现了与最先进的学习摘要Granger因果关系和全时Granger因果关系的方法相当的性能。

本论文旨在解决神经Granger因果关系的现有框架中存在的问题，包括需要为每个目标变量构建单独的预测模型，关系取决于第一层权重的稀疏性，以及大多数方法无法把握全时Granger因果关系等问题。

本文提出了一种基于Jacobian正则化的神经Granger因果关系（JRNGC）方法，通过构建一个适用于所有目标变量的单一模型来学习多元摘要Granger因果关系和全时Granger因果关系，消除了权重稀疏性的限制，并在后续分析中表示为加权因果矩阵。

本文的亮点包括提出了一种新的方法来解决神经Granger因果关系的问题，实验结果表明，JRNGC方法在学习摘要Granger因果关系和全时Granger因果关系方面具有与最先进方法相当的性能，同时保持较低的模型复杂度和高可扩展性。

最近的相关研究包括基于神经网络的Granger因果关系方法，如Deep Wiener-Granger Causality、Neural Granger Causality、Multivariate Granger Causality with Deep Learning等。