Découverte de causalité pour séries temporelles utilisant un modèle constraint-based et la mesure d'information PMIME - CEA - Commissariat à l’énergie atomique et aux énergies alternatives Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Découverte de causalité pour séries temporelles utilisant un modèle constraint-based et la mesure d'information PMIME

Résumé

Causality defines the relationship between cause and effect. In multivariate time series field, this notion allows to characterize the links between several time series considering temporal lags. These phenomena are particularly important in medicine to analyze the effect of a drug for example, in manufacturing to detect the causes of an anomaly in a complex system Most of the time, those complex systems do not rely on the assumption of linearity required in many machine learning methods. To circumvent this problem, we present in this paper a new approach for discovering causality in time series data that combines a causal discovery algorithm with an information theoretic-based measure. Hence the proposed method allows inferring both linear and non-linear relationships and building the underlying causal graph. We evaluate the performance of our approach on several simulated datasets, showing promising results.
La causalité est une notion qui définit les relations entre les causes et leurs effets. Dans le cadre des séries temporelles multivariées, cette notion permet de caractériser les liens entre plusieurs séries temporelles en considérant possiblement les décalages temporels. Par exemple, dans l'industrie elle détecte notamment les causes d'une anomalie dans un système complexe. En pratique, les systèmes complexes mesurés reposent peu souvent sur les hypothèses de données gaussiennes ou de linéarité entre les liens requises dans de nombreuses méthodes d'apprentissage automatique. Pour pallier ce problème, nous présentons dans ce papier une nouvelle approche pour établir les liens causaux entre séries temporelles qui combine un algorithme de découverte causale avec une mesure basée sur la théorie de l'information. Ainsi, l'approche proposée permet d'identifier des liens linéaires et non-linéaires et de construire le graphe causal sous-jacent. La méthode est évaluée sur différentes bases de données simulées issues de la littérature et montre des performances intéressantes.
Fichier principal
Vignette du fichier
JDS_2023_TS_PCPMIME_modifié.pdf (977.94 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

cea-04204914 , version 1 (12-09-2023)

Identifiants

  • HAL Id : cea-04204914 , version 1

Citer

Antonin Arsac, Aurore Lomet, Jean-Philippe Poli. Découverte de causalité pour séries temporelles utilisant un modèle constraint-based et la mesure d'information PMIME. Jds 2023 - 54èmes Journées de Statistique de la SFdS, Jul 2023, Bruxelles, Belgique. ⟨cea-04204914⟩
82 Consultations
11 Téléchargements

Partager

Gmail Facebook X LinkedIn More