Deep Graphical Models for Causality Analysis of Multivariate Time Series

Anomaly Detection, Attribution, and Environmental Science Applications

,

• Publisher: Cuvillier Verlag
• Year: 2024
• eBook ISBN: 9783689520892
• Edition: 0

Die vorliegende Arbeit beschäftigt sich mit der Entwicklung und Anwendung tiefer grafischer Modelle zur Kausalitätsanalyse, insbesondere in multivariaten Zeitreihen. Ein Schwerpunkt liegt dabei auf der Berücksichtigung versteckter Störfaktoren und der Analyse nichtlinearer Zusammenhänge.Durch die Integration von Expertenwissen und den Einsatz von Proxy-Variablen können komplexe kausale Strukturen in verrauschten Daten, die über nichtlineare Kausalverknüpfungen miteinander verbunden sind und von versteckten Störfaktoren beeinflusst sind, aufgedeckt werden. Die entwickelten Methoden ermöglichen nicht nur die Schätzung der Intensität kausaler Zusammenhänge, sondern auch die Detektion und Attribution von Anomalien in multivariaten Zeitreihen.Ein weiterer Beitrag dieser Arbeit ist die Entwicklung einer neuen datengetriebenen Methode zur Partitionierung des Netto-Ökosystem-Austauschs (engl. net ecosystem exchange). Durch die Anwendung eines tiefen Zustandsraummodells können die Tageswerte der Ökosystematmung geschätzt werden, was für das Verständnis des Klimawandels von großer Bedeutung ist.

Table of contents

• Chapter 1 Introduction
• 1.1 From causation to causality
• 1.2 Domain knowledge integration
• 1.3 Probabilistic graphical models
• 1.4 Variational inference
• 1.5 Challenges
• 1.6 Contributions of this thesis
• Chapter 2 Theoretical prerequisites
• 2.1 Fundamental concepts and definitions
• 2.2 Knockoffs
• 2.3 Causal models
• 2.4 Artificial neural networks
• 2.5 Deep graphical models
• 2.6 Time series analysis and forecasting
• 2.7 Time series anomaly detection
• 2.8 Time series anomaly attribution
• 2.9 Model identification
• Chapter 3 A Deep State Space Model for Partitioning Net Ecosystem Exchange
• 3.1 Introduction and motivation
• 3.2 Related work
• 3.3 Partitioning NEE using a DeepState
• Chapter 4 Experiments for Partitioning Net Ecosystem Exchange
• 4.1 FLUXNET dataset
• 4.2 Learning a dynamical model of nighttime Reco
• 4.3 Evaluation of daytime Reco forecasts
• 4.4 Obtaining GPP
• Chapter 5 Time Series Anomaly Attributionusing Counterfactual Reasoning
• 5.1 Introduction and motivation
• 5.2 Related work
• 5.3 Detecting anomalous intervals
• 5.4 Counterfactual interval replacement
• Chapter 6 Experiments for Time Series Anomaly Attribution using Counterfactual Reasoning
• 6.2 Experimental setup and results
• Chapter 7 Nonlinear Causal Link Estimationunder Hidden Confounding
• 7.1 Introduction and motivation
• 7.2 Related work
• 7.3 Proposed methods
• Chapter 8 Experimental Evaluation ofCausal Link Estimation underHidden Confounding
• 8.1 Datasets
• 8.2 CCEVAE experiments
• 8.3 SCEVAE experiments
• Chapter 9 Conclusions
• 9.1 Summary and thesis contributions
• 9.2 Future work
• Appendix A Proof of Proposition 2.2.3
• Appendix B Additional attribution results
• Appendix C Causal link estimation
• Bibliography
• List of Own Publications
• List of Figures
• List of Tables
• Notation
• Acronyms