ترجمه فارسی مقاله کشف علّی از داده‌های سری زمانی با شبکه‌های عصبی کانولوشنال مبتنی بر کوتاه‌مدت

چکیده

Causal discovery from time-series data aims to capture both intra-slice (contemporaneous) and inter-slice (time-lagged) causality between variables within the temporal chain, which is crucial for various scientific disciplines. Compared to causal discovery from non-time-series data, causal discovery from time-series data necessitates more serialized samples with a larger amount of observed time steps. To address the challenges, we propose a novel gradient-based causal discovery approach STIC, which focuses on \textbf{S}hort-\textbf{T}erm \textbf{I}nvariance using \textbf{C}onvolutional neural networks to uncover the causal relationships from time-series data. Specifically, STIC leverages both the short-term time and mechanism invariance of causality within each window observation, which possesses the property of independence, to enhance sample efficiency. Furthermore, we construct two causal convolution kernels, which correspond to the short-term time and mechanism invariance respectively, to estimate the window causal graph. To demonstrate the necessity of convolutional neural networks for causal discovery from time-series data, we theoretically derive the equivalence between convolution and the underlying generative principle of time-series data under the assumption that the additive noise model is identifiable. Experimental evaluations conducted on both synthetic and FMRI benchmark datasets demonstrate that our STIC outperforms baselines significantly and achieves the state-of-the-art performance, particularly when the datasets contain a limited number of observed time steps. Code is available at \url{https://github.com/HITshenrj/STIC}.

چکیده به فارسی (ترجمه ماشینی)

کشف علیت از داده های سری زمانی با هدف ضبط علیت درون شیره (معاصر) و بین برش (زمان) بین متغیرهای موجود در زنجیره زمانی ، که برای رشته های مختلف علمی بسیار مهم است.در مقایسه با کشف علی از داده های سری غیر زمان ، کشف علی از داده های سری زمانی ، نمونه های سریالی تری را با تعداد بیشتری از مراحل زمانی مشاهده شده ضروری می کند.برای پرداختن به چالش ها ، ما یک رویکرد کشف علیت مبتنی بر گرادیان را پیشنهاد می کنیم ، که بر روی \ textbf {s} hort- \ textbf} erm \ textbf {i} nvariance با استفاده از \ textbf {c} onVolutional Networks neular unversovery تمرکز دارد.روابط علی از داده های سری زمانی.به طور خاص ، Stic هم زمان کوتاه مدت و هم مکانیسم عدم متغیریت علیت را در هر مشاهده پنجره ، که دارای خاصیت استقلال است ، برای تقویت کارایی نمونه اعمال می کند.علاوه بر این ، ما برای برآورد نمودار علی.برای نشان دادن ضرورت شبکه های عصبی حلقوی برای کشف علّی از داده های سری زمانی ، ما از لحاظ تئوریکی معادل بین حلقون و اصل تولیدی اساسی داده های سری زمانی را با این فرض که مدل نویز افزودنی قابل شناسایی است ، استخراج می کنیم.ارزیابی های تجربی انجام شده در هر دو مجموعه داده معیار مصنوعی و FMRI نشان می دهد که Stic ما از خط مقدماتی بهتر است و به عملکرد پیشرفته می رسد ، به ویژه هنگامی که مجموعه داده ها حاوی تعداد محدودی از مراحل زمانی مشاهده شده هستند.کد در \ url {https://github.com/hitshenrj/stic} در دسترس است.