.png){kind=icon}
返回
An Interpretable Temporal Convolutional Framework for Granger Causality Analysis
.png){kind=icon}
PRE
AI
DOI：10.1109/JAS.2025.125396.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有用于检测线性或非线性格兰杰因果性（GC）的大多数参数化方法在估计适当的时间延迟方面面临挑战，而准确检测GC的关键因素。这一问题在非线性复杂系统中尤为突出，这些系统通常不透明，且由众多组件或变量组成。本文提出了一种新颖的基于时间卷积网络（TCN）的端到端GC检测方法，称为可解释的时间卷积框架（ITCF）。与像“黑箱”一样运作且难以分析变量间交互的传统深度学习模型不同，所提出的ITCF能够检测线性和非线性GC，并在多元时间序列预测中自动估计时间延迟。具体而言，通过在利用TCN进行多元时间序列预测时采用最小绝对收缩和选择算子（Lasso）回归来获得GC。然后，可以通过解释TCN核来估计时间延迟。我们提出了卷积分层组Lasso（cHGL），一种分层正则化方法，用于有效利用每个TCN通道内的时序信息以增强GC检测。此外，据我们所知，本文首次将迭代软阈值算法（ISTA）整合到TCN的反向传播中以优化所提出的cHGL，这能够实现因果通道选择，并在每个TCN通道内诱导稀疏性以去除冗余时序信息，最终创建一个端到端GC检测框架。涉及两个仿真和两个真实数据的四项测试结果表明，与当前最先进的方法相比，所提出的ITCF在具有复杂动力学、有限数据长度或众多变量的复杂系统中，能够提供更可靠的GC关系估计。
Keyword:
Granger causality (GC)
interpretable deep learning
iterative soft-thresholding algorithm (ISTA)
least absolute shrinkage and selection operator (Lasso)
temporal convolutional network (TCN)
期刊
I
IF:
0
论文数:
116
被引数:
0
机构
引用论文
分享收藏Measuring Connectivity in Linear Multivariate Processes With Penalized Regression Techniques.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Neural networks with non-uniform embedding and explicit validation phase to assess Granger causality具有非均匀嵌入和显式验证阶段的神经网络评估格兰杰因果关系NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏
查看更多内容