MUTATE: Identifizierbare Kausalmodelle für kontinuierliche Zeitpunkte

Die Fähigkeit, aus Beobachtungen sinnvolle kausale Darstellungen zu extrahieren, hat sich als entscheidend für maschinelles Lernen und wissenschaftliche Entdeckungen in Bereichen wie Klimaforschung, Biologie und Physik erwiesen.

Bisher konzentrierten sich identifizierbare Ansätze auf i.i.d. Daten oder diskrete latente Prozesse. In vielen realen Szenarien sind jedoch kontinuierliche stochastische Prozesse – etwa multivariate Punktprozesse – entscheidend. Dieses neue Papier adressiert genau dieses Problem.

Die Autoren führen ein identifizierbares Lernverfahren für kontinuierliche latente stochastische Punktprozesse ein und untersuchen dessen Identifizierbarkeit durch Analyse der Geometrie des Parameterraums. Auf dieser Basis entsteht MUTATE, ein variationaler Autoencoder mit einem zeitadaptiven Übergangsmodul, das die dynamischen Prozesse exakt modelliert.

Simulationen und reale Datensätze zeigen, dass MUTATE wissenschaftliche Fragestellungen erfolgreich beantwortet: von der Akkumulation von Mutationen in der Genomik bis hin zu den Mechanismen, die Neuronen-Spikes in Reaktion auf zeitlich variierende Dynamiken auslösen.