Discovering Latent Structural Causal Models from Spatio-Temporal Data

许多科学领域的重要现象，如气候、神经科学和流行病学，自然地表现为具有复杂相互作用的空间时间网格数据。例如，在气候科学中，研究人员旨在揭示北大西洋涛动（NAO）和南极涛动（AAO）等大规模事件如何影响其他全球过程。从这些数据中推断因果关系是一个极具挑战性的问题，这一问题因数据的高维度以及空间邻近点之间的相关性而变得更加复杂。我们提出了SPACY（时空因果发现，SPAtiotemporal Causal discoverY），这是一种基于变分推理的新框架，旨在从数据中的局部模式显式建模潜在时间序列及其因果关系。我们的方法采用端到端的训练过程，最大化数据似然性的证据下界（ELBO）。理论上，我们证明在某些条件下，潜在变量可以通过一个可逆矩阵变换来识别。实证上，我们展示了SPACY在合成数据上的表现优于最先进的基线模型，对于大型网格仍保持可扩展性，并且能够从真实世界气候数据中识别出关键已知现象。

该论文旨在解决从高维时空网格数据中推断因果关系的问题，特别是在气候科学等领域的复杂交互现象中。这一问题是由于数据的高维度和空间邻近点之间的相关性而变得尤为具有挑战性。

论文提出了一种基于变分推理的新框架SPACY（SPAtiotemporal Causal discoverY），用于显式建模潜在时间序列及其因果关系。该方法通过端到端的训练过程最大化数据似然的证据下界（ELBO），并在某些条件下证明了潜在变量在可逆矩阵变换下的可识别性。相比于现有的方法，SPACY能够更有效地处理高维时空数据中的因果关系。

1. SPACY在合成数据上优于现有基线方法，并且在大规模网格上保持可扩展性。 2. 该方法成功地从真实世界气候数据中识别出已知的关键现象。 3. 论文提供了理论证明，展示了在特定条件下潜在变量的可识别性。 4. 实验设计严谨，使用了多种数据集进行验证，但未提及是否有开源代码。

近期在这个领域内的其他相关研究包括： 1. "Causal Discovery in Time Series Databases Using Entropy" - 探索了基于熵的方法来发现时间序列数据中的因果关系。 2. "Learning Temporal Causal Graphs for Relational Time-Series Analysis" - 提出了一个学习时间因果图的方法，用于关系时间序列分析。 3. "Deep Causal Inference in Spatiotemporal Data" - 利用深度学习技术来推断时空数据中的因果关系。 这些研究都在不同方面尝试解决时空数据中的因果关系问题，但SPACY通过引入变分推理和显式建模潜在时间序列，提供了一个新的视角。