[论文解读] Telling cause from effect in deterministic linear dynamical systems

Naji Shajarisales, Dominik Janzing+2 more|arXiv (Cornell University)|Mar 4, 2015

Bayesian Modeling and Causal Inference参考文献 29被引用 24

一句话总结

本文提出谱独立性准则（SIC），一种新颖的方法，用于在确定性线性时不变（LTI）系统中识别因果方向，其依据是：原因的功率谱与滤波器传输函数的平方之间不相关。该方法在格兰杰因果关系基础上表现更优，尤其在时间延迟未知的情况下表现更佳，并在合成数据和真实世界数据（包括大鼠海马齿状回LFP记录和音频回声重建）中展现出强劲的实证结果。

ABSTRACT

Inferring a cause from its effect using observed time series data is a major challenge in natural and social sciences. Assuming the effect is generated by the cause trough a linear system, we propose a new approach based on the hypothesis that nature chooses the "cause" and the "mechanism that generates the effect from the cause" independent of each other. We therefore postulate that the power spectrum of the time series being the cause is uncorrelated with the square of the transfer function of the linear filter generating the effect. While most causal discovery methods for time series mainly rely on the noise, our method relies on asymmetries of the power spectral density properties that can be exploited even in the context of deterministic systems. We describe mathematical assumptions in a deterministic model under which the causal direction is identifiable with this approach. We also discuss the method's performance under the additive noise model and its relationship to Granger causality. Experiments show encouraging results on synthetic as well as real-world data. Overall, this suggests that the postulate of Independence of Cause and Mechanism is a promising principle for causal inference on empirical time series.

研究动机与目标

• 为解决在无法进行干预的情况下，特别是在无加性噪声的确定性系统中推断时序因果方向的挑战。
• 开发一种不依赖噪声假设的因果推断方法，与传统格兰杰因果关系不同，而是利用功率谱与传输函数之间的谱不对称性。
• 在确定性线性动力系统的背景下，形式化并验证因果与机制独立（ICM）后设的谱特性。
• 证明在SIC框架下因果方向的可识别性，并建立其相对于现有方法（如格兰杰因果关系）的理论与实证优势。
• 通过基于信号处理原理的谱域准则，将基于ICM的因果发现方法扩展至时序数据。

提出的方法

• 该方法基于谱独立性准则（SIC），其假设是原因的功率谱与LTI滤波器传输函数模的平方之间统计不相关。
• SIC准则源自因果与机制独立（ICM）后设，通过时间序列和滤波器脉冲响应的傅里叶变换在频域中形式化。
• 该方法使用Z变换和离散傅里叶变换，将输入（原因）与输出（结果）之间的关系在时域表示为卷积，在频域表示为乘法。
• 通过计算候选原因的功率谱与平方传输函数之间的谱相关性度量来推断因果方向；相关性较低的方向被选为因果方向。
• 该方法以滑动窗口方式应用于非平稳数据，从而实现对真实世界时序数据（如LFP记录和音频回声）的分析。
• 性能通过强制决策方案进行评估，使用格兰杰因果关系的p值，并通过多数投票和区间准确率在真实数据集上进行比较。

实验结果

研究问题

• RQ1 在不依赖加性噪声模型的前提下，能否可靠地推断确定性线性时不变系统中的因果方向？
• RQ2 当在谱域中形式化时，因果与机制独立（ICM）后设是否能导致可识别的因果结构？
• RQ3 在观测时序数据存在未知时间延迟的情况下，SIC方法与格兰杰因果关系相比表现如何？
• RQ4 SIC准则能否在真实世界数据（如神经记录和音频回声信号）中检测到正确的因果方向？
• RQ5 SIC框架与现有方法（如迹方法和线性格兰杰因果关系）在基本假设和信息使用方面有何关系？

主要发现

• SIC方法在识别大鼠海马齿状回LFP记录中的正确因果方向方面显著优于线性格兰杰因果关系，其中真实因果关系已通过解剖学确定为CA3 → CA1。
• 在合成音频回声数据上，SIC在所有测试案例中均正确推断出因果方向（信号 → 回声），且正向方向的谱相关性差异（ρ_X→Y − ρ_Y→X）始终更大。
• 该方法对时间延迟具有鲁棒性，在测量中存在未知延迟的情境下，其理论性能优于格兰杰因果关系。
• 在分段音频数据的实验中，SIC在各种窗口长度下均保持高性能，即使在短段数据中也实现了较高的平均准确率。
• 在对原因和滤波器的谱特性作较弱假设下，SIC框架提供了理论可识别性，将迹方法扩展至时序数据。
• 实证结果表明，SIC后设是真实世界时序数据中合理且有效的假设，表明其在因果推断中具有广泛的应用潜力。