A constraint optimization approach to causal discovery from subsampled time series data

ما برآورد ساختار علیت از داده های سری زمانی را در نظر می گیریم که در آن اندازه گیری ها با یک دوره زمانی سخت تر از زمان زمانی علمی سیستم پایه بدست می آید. کار قبلی نشان داده است که چنین زیر نمونه سازی می تواند خطاهای قابل توجهی در مورد ساختار علمی سیستم ایجاد کند، اگر به درستی در نظر گرفته نشده باشد. در این مقاله ابتدا به بررسی ساختارهای علمی زمانبندی سیستم می پردازیم که با یک ساختار زمانبندی مشخص شده مطابقت دارند. ما یک رویه رضایتمندی را ارائه می دهیم که عملکرد محاسباتی آن چندین مرتبه بهتر از رویکردهای قبلی است. سپس داده های نمونه های محدود به عنوان ورودی را در نظر می گیریم و اولین رویکرد بهینه سازی محدودیت برای بازسازی ساختار علمی زمانبندی سیستم را پیشنهاد می دهیم. این الگوریتم به دلیل خطاهای آماری از درگیری های احتمالی به طور مطلوب باز می گردد. سپس روش را برای داده های واقعی در جهان به کار می بریم، به بررسی استحکام و مقیاس پذیری روش ما، روش های بیشتری برای کاهش عدم تعریف در خروجی، و انجام مقایسه ای گسترده بین حل کننده های مختلف در این مسئله استنتاج می پردازیم. به طور کلی، این پیشرفت ها به منظور درک کامل برآورد غیر پارامتریک از ساختارهای علمی زمانبندی سیستم از داده های سری زمانی چندگانه ساخته شده است.