使用高阶 Markov 切换模型识别非平稳因果结构
内容提要
本文提出了一种处理非平稳数据的框架，开发了多种方法以检测因果结构和变量间关系。研究基于状态空间模型和马尔可夫假设，验证了新型因果模型和算法在非平稳时间序列中的有效性，实验结果显示这些方法在因果识别和预测方面优于现有技术。
延伸解读
非平稳性如何助力因果发现
文章指出，非平稳数据中分布的变化并非干扰，而是识别因果结构的宝贵信息。通过检测局部机制不平稳的变量，并利用变化分布所携带的信息，可以确定某些因果方向。这为传统方法难以处理的非平稳时间序列提供了新的解决思路，强调了在因果发现中主动利用而非消除非平稳性的重要性。
马尔可夫切换模型的可识别性进展
文章探讨了马尔可夫切换模型的可识别性，并提出了基于非线性高斯的转移分布参数化方法。实验表明，该方法可用于因果发现和高维时间序列分割。这意味着在序列潜变量模型中，通过适当的参数化，能够从数据中识别出潜在的因果机制，为处理复杂动态系统提供了理论支持。
从贝叶斯网络到因果解释性模型
针对贝叶斯网络在因果解释性上的不足，文章提出了Unique Causal Network模型，并开发了基于高阶因果熵算法的分布式结构识别方法。实验证明，该方法在非平稳时间序列数据上达到了最先进的准确性。这标志着因果模型在解释性和准确性上的双重提升，为实际应用提供了更可靠的工具。
无监督学习与干预推断的新途径
文章提出了层次切换状态模型，能够无监督训练并解释系统和个体层面的动态，在预测个体行为上表现优越。同时，通过学习随机微分方程的稳定密度，无需因果图结构方程即可模拟干预下的系统行为，且不要求无环性假设。这些方法拓展了因果推断的适用场景，减少了对先验知识的依赖。
Q&A
什么是高阶 Markov 切换模型？
高阶 Markov 切换模型是一种用于处理非平稳时间序列的统计模型，能够识别因果结构和变量间关系。
如何检测非平稳数据中的因果结构？
可以通过基于状态空间模型的方法，利用非平稳性来确定因果结构，并将预测问题视为贝叶斯推断问题。
CD-NOD 框架的主要功能是什么？
CD-NOD 框架用于从异构和非平稳数据中查找因果关系的骨架和方向，并估计机制变化的属性。
Unique Causal Network 模型解决了什么问题？
Unique Causal Network 模型解决了基于贝叶斯网络的模型在因果解释性上的不足，提供了更好的因果结构识别方法。
如何利用证据下界最大化进行因果发现？
通过证据下界最大化的方法，可以从混合不同因果模型的时间序列数据中进行因果发现，实验证明其优于现有基准模型。
新型受限结构因果模型的特点是什么？
新型受限结构因果模型通过时间可变滤波器实现因果识别，能够在双变量和网络设置中有效应用。
