论文阅读——基于观测数据的时间序列因果推断综述
國防科大2022年3月的綜述
?1.Granger
多元Granger: VAR+條件集，P(X|Y)=>條件VAR模型，比較y與y^來判定因果關(guān)系。
（加入條件集，消除其它變量影響）
條件Granger:用矩陣表示參數(shù)，簡化計算。并提出基于檢驗的因果判定方法。
檢驗方法的創(chuàng)新，或者先變換空間在創(chuàng)新都能提高Granger適用性。
Lasso-GRanger：添加Lasso進行變量篩選，降低計算復(fù)雜度。
Copular-Granger：結(jié)合Lasso-Granger和潛在因果模型，用D-分離排除混雜因素，用Granger的“非超常分布”識別因果關(guān)系。（有點意思——那可以結(jié)合反事實計算嗎？）
2.信息論
這些方法課衡量因果關(guān)系的強度，但對方向性未準確。
互信息：一個變量 X中包含的關(guān)于另一個變量Y的信息量；或者說X由于已知Y而減少的不確定性
它是一個非負量，如果MI顯著不等于 0，則認為兩個變量之間存在因果關(guān)系，反之亦然。
缺點：由于互信息具有對稱性，因此在確定因果關(guān)系后還需要其他方法進一步定向。（可以結(jié)合Granger和互信息嗎？感覺有希望）
傳遞熵：?TE是一種度量因果關(guān)系的非對稱指標。如果 X和Y的歷史信息所決定的
X的不確定度，小于單獨通過 X的歷史信息所決定的 X的不確定度，那么Y就是 X的原
因，即
缺點：TE在應(yīng)用于非平穩(wěn)序列因果推斷時精度較低，高維序列中的變量選擇也制約了其計算效率。?
（接下來的兩篇文章可以看看，比較新，分別是2020和2022的文章?？梢粤私飧赐评矸椒?#xff09;
Rashidi等[28]提出了符號動態(tài)歸一化傳遞熵（Symbolic Dynamic-based Normalized Direct TE，SDNDTE）并將其應(yīng)用于復(fù)雜系統(tǒng)根源變量定位中。SDNDTE首先利用歸一化操作排除變量自信息對因果推斷造成的影響，然后將時間序列轉(zhuǎn)化為基于頻率計數(shù)的狀態(tài)轉(zhuǎn)移矩陣，通過符號發(fā)射矩陣的估計代替?zhèn)鹘y(tǒng)多維核概率密度函數(shù)擬合方法。SDNDTE能不僅能推斷多元非平穩(wěn)序列中的因果關(guān)系，還能有效降低計算復(fù)雜度、減少虛假因果的出現(xiàn)。此外，Zeng等[29]提出了歸一化有效傳遞
熵（Normalized Effective TE，NETE），NETE在保持數(shù)據(jù)概率分布不變的情況，將傳遞熵減
去隨機打亂數(shù)據(jù)后得到的隨機傳遞熵，以消除時間序列的噪聲和非平穩(wěn)性造成的影響。?
3.因果網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
Huang等[45]提出了一種用于非平穩(wěn)和異構(gòu)時間序列因果推斷的CD-NOD（Constraint-based causal Discovery from?Nonstationary/heterogeneous Data）方法。該方法利用變量代理和條件獨立性檢驗重構(gòu)因果網(wǎng)絡(luò)框架，然后利用潛在因果模型中隱含的數(shù)據(jù)分布進行定向。相比此前的方法，CO-NOD是非參數(shù)的，對數(shù)據(jù)分布沒有嚴格限制，且不依賴于時間窗口分割，還能在帶有混雜因素的異質(zhì)數(shù)據(jù)中識別因果關(guān)系。
傳統(tǒng)的因果網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法依賴于因果充分性假設(shè)[5]，即假設(shè)系統(tǒng)中不存在未觀測的
共同驅(qū)動因素，但真實系統(tǒng)中往往存在未觀測變量（隱變量）。
2020年，Runge[52]又提出了PCMCI+算法，通過分離存在時延和同期的條件集，以及修改單個條件獨立性測試的條件集，可以在高召回率的前提下有效減少虛假因果，降低時間復(fù)雜度。
4.基于結(jié)構(gòu)因果模型的方法?
第一代：LiNGAM
初始條件：線性，無未觀測的共因，誤差服從非高斯分布。
因果方向判斷方法：因果機制的不對稱性和因果機制的不對稱性。
5.基于非線性狀態(tài)空間模型的方法
2012年，Sugihara等[66]提出了收斂交叉映射(Convergent Cross Mapping, CCM)方法，該
方法基于Takens定理[67]，通過狀態(tài)空間重構(gòu)推斷因果關(guān)系.
什么是Takens定理？（需要補充）
如果變量 X可以通過變量Y的時延嵌入重構(gòu)系統(tǒng)來預(yù)測，那么 X和Y之間就存在因果效應(yīng)。
基于非線性狀態(tài)空間模型的時間序列因果推斷方法假設(shè)交互作用發(fā)生在一個潛在的動力系統(tǒng)中，然后基于Takens定理和非線性狀態(tài)空間重構(gòu)來推斷因果關(guān)系。Takens定理可以用于重構(gòu)時間序列中的動力學(xué)信息。它證明在滿足某些條件時，從一個吸引子到重構(gòu)空間的映射是一一對應(yīng)的，只要找到合理的嵌入維數(shù)，就能實現(xiàn)相空間中軌道的重構(gòu)，并保持其原來的微分結(jié)構(gòu)不變。?
方法一：NLIM?非線性相互依賴度量
?方法二：非線性相互依賴
?Krakovská和Jakubík[74]利用重構(gòu)狀態(tài)空間預(yù)測原理，提出了基于交叉預(yù)測（Cross?
Prediction，CP）和混合預(yù)測（Predictability Improvement，PI）的因果關(guān)系推斷方法。其中
CP方法通過自預(yù)測和交叉預(yù)測的平均絕對誤差判定因果關(guān)系，PI則通過兩種混合優(yōu)化預(yù)測
方法判定因果關(guān)系。CP和PI能適用于多變量系統(tǒng)，還能用于因果推斷結(jié)果的敏感性分析。
（這兩篇文章可以看看，應(yīng)該與預(yù)測有關(guān)）?
Liu等[81]利用條件熵檢測反饋驅(qū)動的交易和反映市場回報流的“自因果性”，并使用傳遞熵識別新聞情緒和市場回報的信息流相關(guān)的交易活動。
（這篇文章可以看看，與反饋機制有關(guān)）
Li和Convertino[91]提出一種互信息和傳遞熵的最優(yōu)信息流生態(tài)系統(tǒng)模型，通過從時間序列中提取復(fù)雜生態(tài)系統(tǒng)的預(yù)測因果網(wǎng)絡(luò)，提供廣泛的生態(tài)信息。Oh等[92]提出一種相對符號傳遞熵來研究南大洋的南極繞極波大規(guī)模氣候現(xiàn)象，并解釋了厄爾尼諾-南方濤動的特征。?
（一個是預(yù)測因果網(wǎng)絡(luò)，什么樣的網(wǎng)絡(luò)？）
（相對符號傳遞熵，如何進行符號推理？）
Zeng等[96]利用基于歸一化修正傳遞熵和改進的因果網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法，將遙測參數(shù)因果關(guān)系與注意力機制的LSTM相結(jié)合，實現(xiàn)了低誤報率的航天器遙測數(shù)據(jù)異常檢測。
（2022年的文章，可能用處不大）
Tian等[99]提出一種基于CCM的重大工業(yè)事故主因告警和根因追蹤方法，利用CCM識別變量之間的因果方向和間接因果關(guān)系，作為后續(xù)告警根因追蹤的依據(jù)。
（用CCM進行識別，到底根因到哪個階段？）
總結(jié)：
1.這篇文章總結(jié)的還不錯，比之前大連理工任偉杰等人的綜述詳細，深入些。
2.對于我想要的內(nèi)容，還是沒有太大的幫助。
3.選取的文章都比較新，想了解相關(guān)方向，值得去看看。
4.現(xiàn)有的推理還是指圖上的推理，未總結(jié)與應(yīng)用結(jié)合的推理方式。
總結(jié)
以上是生活随笔為你收集整理的论文阅读——基于观测数据的时间序列因果推断综述的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
