兼顾科研与应用！联想研究院人工智能实验室两篇论文入选ICASSP2023

近日，第48届IEEE声学、语音与信号处理国际会议(IEEE International Conference on Acoustics, Speech and Signal Processing, ICASSP 2023) 公布了论文入选名单，联想研究院人工智能实验室论文——《基于多尺度神经网络的可解释格兰杰因果发现》（Interpretable Multi-scale Neural Network for Granger Causality Discovery）和《基于因果不变性变换的长尾识别方法》（Long-tailed Recognition with Causal Invariant Transformation）被大会接收。

ICASSP是全世界最大的、也是最全面的信号处理及其应用方面的顶级学术会议，具有权威、广泛的学界及工业界影响力，备受AI领域研究学者关注。此次入选，展示了联想在因果推断领域的技术实力。

▍Paper 01

《基于多尺度神经网络的可解释格兰杰因果发现》

Interpretable Multi-scale Neural Network for Granger Causality Discovery

多元时间序列广泛存在于自然、医学、工业等多个领域的系统中，变量之间的关联关系十分复杂。例如在大型控制系统中，设备节点数量多、类型多样，具有多层级性，因此各个设备的状态序列之间关联关系极其复杂。随着数据的规模和维度的不断增长，冗余和无关变量的存在将会掩盖重要变量的作用，从而影响到对整个系统的分析以及合理决策的制定。因此，基于大量观察数据，挖掘变量之间的因果关系，即因果发现，对于整个系统的控制和决策具有十分重要的意义。传统的相关性分析只能获取观测数据中的后验性信息，表明两个变量倾向于一起变动，而不能确定是由于随机偶然的结果，还是受到其他潜在变量的影响。而因果关系则是一种本质的、稳定的关系，只有完全挖掘出变量之间的因果关系，才能更好地对某种结果现象进行归因分析，或者基于预期目标制定出相应的策略。

在不考虑瞬时因果效应，并将全部相关变量都考虑在内的前提下，格兰杰因果(Granger Causality, GC)是一种用于序列数据因果发现的常用框架。最近的研究方法主要借助神经网络进行因果发现，其网络架构可以分成两大类，一类是基于某条目标序列对其原因变量进行分析，另一类是基于每个时延下、所有序列间的因果关系进行挖掘。相较而言，后者可以更好地提取多条序列之间的因果结构，但是当前的方法仍然需要将输入数据按照时延进行显式分割，这样会导致数据的使用不充分。