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。