Задача причинного открытия из временных рядов стоит во многих науках, от климатологии до эконометрики. Большинство методов предполагают стационарность: связи считаются неизменными во времени. Однако реальные системы часто переключаются между режимами, и причинные связи могут менять направление, силу или даже знак. Соседние работы в нашем архиве касаются эволюции, горизонтального переноса генов и квантовых корреляций, но все они так или иначе ищут структуру в данных. Данная работа выделяется тем, что напрямую моделирует дискретные режимы с устойчивостью и учится им без внешней разметки.
Метод, названный Regime-PCMCI, итеративно чередует два шага. На первом шаге алгоритм PCMCI оценивает причинных родителей каждой переменной внутри текущего разбиения на режимы, используя тесты условной независимости. На втором шаге решается оптимизационная задача: для каждого момента времени выбирается тот режим, чья модель лучше всего предсказывает наблюдаемые значения, при ограничении на общее число переключений. Процесс повторяется до сходимости. Чтобы избежать локальных минимумов, запускается несколько случайных инициализаций (отжиг). В экспериментах использовались линейные модели и частная корреляция как тест независимости.
На синтетических данных с двумя режимами метод верно восстанавливал режимы в среднем в 94% временных шагов для большинства сценариев, включая смену знака связи, направления и запаздывания. Труднее всего оказался случай, когда между режимами менялась только сила связи: там точность падала до 57%. Для десяти переменных и двух режимов метод сохранял высокую точность: доля верно найденных связей составила 0.94, а режимы восстанавливались с ошибкой 11.7%. На реальных данных Эль-Ниньо и индийских осадков метод без внешней информации выделил два сезона: летний режим с сильной отрицательной связью (коэффициент −0.4) и зимний режим почти без связи, что согласуется с климатологией.
Работа показывает, что можно одновременно учить скрытые режимы и причинные структуры, не требуя априорного знания о режимах. Это отличает её от более ранних подходов, которые либо предполагали известные режимы, либо моделировали непрерывный дрейф связей. По сравнению с соседними работами по эволюции и квантовым системам, здесь объект другой — дискретные метастабильные состояния в макроскопических временных рядах, а метод впервые доведён до практического применения на климатических данных. Это расширяет применимость причинного анализа на широкий класс нестационарных систем.
Естественное развитие метода — переход к нелинейным причинным связям, поскольку PCMCI это позволяет, но оптимизация режимов станет сложнее. Другое направление — учёт современной причинности, когда связи действуют в тот же момент времени. Возможно также улучшить обнаружение изменений силы связи, которое пока работает хуже всего. В приложениях метод может быть полезен для поиска режимно-зависимых связей в климате, экономике или нейронауке.
Метод может повлиять на климатологию, эконометрику и нейробиологию, где режимные переключения распространены. Он также даёт инструмент для анализа любых временных рядов с метастабильными состояниями.
Ближайшие шаги включают реализацию нелинейной версии и валидацию на других климатических наборах данных. Также стоит исследовать теоретическую сходимость алгоритма.
В области причинного открытия остаётся открытым вопрос о работе при наличии скрытых общих причин (нарушение каузальной достаточности). Другая нерешённая проблема — выбор числа режимов без переобучения. Работа частично решает вторую проблему через информационный критерий, но первая остаётся.
В климатическом примере метод сам, без подсказок, разделил год на два сезона, соответствующих летнему муссону и зиме, хотя ему дали только временные ряды Эль-Ниньо и осадков.
Идея скрытых режимов, управляющих поведением системы, напоминает «Пересадочную станцию» Клиффорда Саймака, где разные состояния реальности сменяют друг друга, а наблюдатель видит лишь их следствия.