[論文レビュー] Causal Discovery from Temporal Data: An Overview and New Perspectives

Chang Gong, Di Yao+3 more|arXiv (Cornell University)|Mar 17, 2023

Time Series Analysis and Forecasting被引用数 7

ひとこと要約

本論文は、多次元時系列およびイベント系列の因果発見を網羅的に調査するものであり、制約ベース、スコアベース、FCMベース、Granger因果ベースの方法を体系的に分類。公開データセット、評価指標、因果表現学習やアモアタイズドモデリングの新しい視点を提示し、従来の調査がイベント系列分析を無視していたという重要な空白を埋める。

ABSTRACT

Temporal data, representing chronological observations of complex systems, has always been a typical data structure that can be widely generated by many domains, such as industry, medicine and finance. Analyzing this type of data is extremely valuable for various applications. Thus, different temporal data analysis tasks, eg, classification, clustering and prediction, have been proposed in the past decades. Among them, causal discovery, learning the causal relations from temporal data, is considered an interesting yet critical task and has attracted much research attention. Existing causal discovery works can be divided into two highly correlated categories according to whether the temporal data is calibrated, ie, multivariate time series causal discovery, and event sequence causal discovery. However, most previous surveys are only focused on the time series causal discovery and ignore the second category. In this paper, we specify the correlation between the two categories and provide a systematical overview of existing solutions. Furthermore, we provide public datasets, evaluation metrics and new perspectives for temporal data causal discovery.

研究の動機と目的

• 時系列データ、特に多次元時系列とイベント系列データに対する因果発見手法の体系的概要を提供すること。
• 従来の調査が多次元時系列に主に注目している一方でイベント系列因果発見を無視しているというギャップを特定し、それに対処すること。
• 再現可能性を高めるために、公開データセットと標準化された評価指標を収集・共有すること。
• スケーラブルで頑健な因果推論のための、因果表現学習やアモアタイズドモデリングを含む新たな研究方向性を探索すること。
• 非定常性、観察されない交絡要因、データの異質性といった実用的課題を強調し、今後の手法開発を導くこと。

提案手法

• 多次元時系列因果発見を、制約ベース、スコアベース、関数的因果モデル（FCM）ベース、Granger因果ベースの4つの主要なアプローチに分類。
• イベント系列因果発見を、同様の3つのカテゴリに分類：制約ベース、スコアベース、Granger因果ベース。特にGranger因果とHawkes過程との自然な整合性に焦点を当てる。
• 非定常状態における潜在因果変数の非パラメトリックおよびパラメトリック同定条件を確立するLEAP（Latent Temporal Causal Process Estimation）を導入・検討。
• 干渉ターゲットとデータ拡張を活用し、強いパラメトリック仮定を必要とせずに潜在因果要因を同定する、対照学習ベースの手法（CITRISおよびiCITRIS）をレビュー。
• 変分オートエンコーダ（VAE）に因果過程ネットワークを拡張し、非定常ノイズを扱うためのフローベースドモデルを統合することで、潜在因果構造の同定性を向上させる学習フレームワークを提案。
• 時系列構造と複数の視点を統合し、独立した因果要因の分離を向上させる。ICAや深層生成モデルを用いた手法を活用。

実験結果

リサーチクエスチョン

• RQ1 多次元時系列とイベント系列データの両方において、因果発見手法を体系的に分類・比較する方法は何か？
• RQ2 校正済み時系列と不規則に観測されたイベント系列における因果発見の主な方法論的差異と類似点は何か？
• RQ3 非定常性、観察されない交絡要因、およびサブサンプリングの下で、因果構造を同定する主な課題は何か？
• RQ4 因果表現学習は、複雑で高次元の時系列観測から潜在因果要因を同定するためにどのように活用できるか？
• RQ5 時系列因果発見手法のベンチマークに最も効果的な評価指標と公開可能なデータセットは何か？

主な発見

• Granger因果ベースの手法、特にHawkes過程と組み合わせたものについては、理論的整合性が自然に成立するため、イベント系列因果発見において特に発展している。
• LEAPは、非定常時系列過程における潜在因果変数の非パラメトリックおよびパラメトリック同定条件を確立し、頑健な因果構造学習を可能にする。
• CITRISおよびiCITRISは、厳密な関数的または分布的仮定を必要とせず、干渉ターゲット情報を用いて因果要因のブロック同定を可能にすることを示している。
• 時系列構造と複数の視点を統合した因果表現学習フレームワークは、潜在因果要因の分離性と同定性を顕著に向上させる。
• 本研究では、非定常性、観察されない交絡要因、およびデータのサブサンプリングが、現実の時系列データにおける因果関係の推定品質を著しく低下させる主な要因であると特定した。
• 著者らは、今後の時系列因果発見研究における標準化されたベンチマークと再現可能性を支援するため、公開データセットと評価指標のリストを体系的に整理した。