Core Concepts
Effiziente Causal Discovery in stochastischen Prozessen durch Signature Kernel Tests.
Abstract
Das Paper präsentiert einen neuen Ansatz für die Causal Discovery in stochastischen dynamischen Systemen. Es nutzt Signature Kernel Tests für die effiziente Identifizierung von Ursache-Wirkungs-Beziehungen.
Abstract
Stochastische dynamische Systeme können durch stochastische Differentialgleichungen modelliert werden.
Das Paper entwickelt einen Kernel-basierten Test für bedingte Unabhängigkeit auf Pfadraum.
Es präsentiert einen algorithmischen Ansatz für die Causal Discovery in aklyklischen stochastischen dynamischen Systemen.
Introduction
Identifizierung von Ursache-Wirkungs-Beziehungen aus Beobachtungsdaten.
Fortschritte in der Causal Discovery in den letzten Jahren.
Mangelnde Aufmerksamkeit für Causal Discovery in Zeitreihendaten.
Data Generating Process
Beobachtungsdaten folgen einem stochastischen Prozess.
Modellierung durch stochastische Differentialgleichungen.
Grundlegende Annahmen über den Daten-generierenden Prozess.
Stats
Wir entwickeln einen Kernel-basierten Test für bedingte Unabhängigkeit auf Pfadraum.
Das Paper präsentiert einen algorithmischen Ansatz für die Causal Discovery in aklyklischen stochastischen dynamischen Systemen.
Quotes
"Inferring the causal structure underlying stochastic dynamical systems from observational data holds great promise in domains ranging from science and health to finance."
"Our algorithm is sound and complete, assuming faithfulness and a CI oracle."