شناسایی روابط علّی با استفاده از رویکردهای مبتنی بر شبکه عصبی

شناسایی روابط علّی کاربرد بسیاری در دنیای امروز دارد. از پیش بینی بازار بورس تا شناسایی ارتباطات مغزی تحت تاثیر مفهوم علّیت قرار می گیرند. در کنار اهمیت فراوان موضوع، اغلب متدهای کلاسیک شناسایی علیت بر فرضیات ایده آلی همچون خطی بودن روابط علی استوار هستند که این فرض در دنیای واقعی به ندرت اتفاق می افتد. در این میان شبکه های عصبی به علت امکان پردازش غیرخطی سیگنال و عدم نیاز به دانش اولیه، می توانند گزیمه مناسبی برای تعریف نگاشتی غیرخطی بین نمونه های حال و آینده سری های زمانی باشند. شبکه های پیش رو به دلیل ساختارشان، تأخیر زمانی ثابتی را در انتقال اطلاعات فرض می کنند، در حالیکه تأخیر انتشار میان سیگنال های معمولاً به طور مداوم در حال تغییر است. از سوی دیگر، شبکه های بازگشتی قادرند در مسئله پیش بینی و مدلسازی سری های زمانی با رئیکردی غیرخطی ، روابطی با تأخیر انتشار متغیر را با استفاده از یک مجموعه کوچک از پارامترها تخمین بزنند. با توجه به اهمیت پارامتر تأخیر زمانی در ارزیابی علیت بین پدیده های مختلف و فقدان قیاسی جامع در پژوهش های پیشین بین دو رویکرد اختصاص مقدار ثابت و متغیر به این پارامتر در شبکه های پیش رو شبکه های بازگشتی، پژوهش جاری به معرفی و مقایسه تخمین گرهای مبتنی بر معیار علیت گرنجر و شبکه های عصبی پیش رو و بازگشتی می پردازد. نتایج شبیه سازی نشان داد که رویکرد مبتنی بر شبکه های بازگشتی قادر به شناسایی ارتباطات غیرخطی با زمان انتشار طولانی مدت می باشد و همچنین نرخ خطای کمتری نسبت به رویکرد شبکه های پیش رو دارد.

کلیدواژه ها:

علّیت گرنجر ، ارتباطات غیرخطی ، شبکه عصبی پیش رو ، شبکه عصبی بازگشتی