myWiki/concepts/granger-causality-tpp.md

title, created, updated, type, tags, sources

title	created	updated	type	tags	sources
Granger 因果发现 (Granger Causality in TPP)	2026-06-16	2026-06-16	concept	temporal-point-process causal-discovery granger-causality hawkes	raw/papers/advances-temporal-point-processes-2026.md

Granger 因果发现 (Granger Causality in TPP)

Granger 因果关系在 TPP 上下文中指：如果事件类型 k' 的过去信息对预测事件类型 k 的未来发生速率有显著贡献，则 k' Granger-causes k。

数学基础

在 K 变量的 hawkes-process 中：

lambda*_k(t) = mu_k + sum_{k'=1}^K sum_{t_n < t, k_n=k'} phi_{k,k'}(t - t_n)

关键等价关系：phi_{k,k'}(·) = 0 当且仅当 k' 对 k 没有 Granger 因果影响。

因此，估计触发函数 phi_{k,k'} 等价于学习因果图。

两大方法体系

约束法 (Constraint-based)

通过统计检验剪枝伪连接：

• 条件独立检验：测试 k' 的历史是否在给定其他变量时仍对 k 有显著预测力
• Runge et al. (2019)：通用离散时间框架
• Mogensen (2020)：扩展至连续时间域

评分法 (Score-based)

通过优化带稀疏正则的目标函数学习因果结构：

• Group sparsity (Xu et al., 2016)：对 phi_{k,k'} 组施加稀疏性约束
• 核范数 + L1 (Zhou et al., 2013c)：双正则化
• MDL/MML (Jalaldoust et al., 2022)：基于数据压缩原理的结构选择，可融合先验知识
• Cumulant matching (Achab et al., 2018)：利用累积量解析形式加速推断，无需估计触发函数

核心应用

领域	事件类型	因果问题
神经科学	神经元脉冲	功能连接（哪些神经元驱动哪些？）
金融	买卖单	"买"是否引发"卖"？
AI 运维	系统事件	故障根因定位
医疗	症状/用药	药物交互作用
网络安全	安全警报	攻击模式分析

参考

• temporal-point-process
• hawkes-process
• marked-temporal-point-process
• advances-temporal-point-processes-2026