Identifiability by common backdoor in summary causal graphs of time series
Univ Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；INSERM（法国国家健康与医学研究院）
本文研究时间序列中基于汇总因果图的干预效应可识别性，提出共同后门集存在的条件及有限复杂度判定算法。
2025-06-17 cs.AI math.ST stat.TH
Dynamic Window-level Granger Causality of Multi-channel Time Series
Beijing University of Posts and Telecommunications（北京邮电大学）；Tsinghua University（清华大学）
Granger因果关系分析方法不需要建立复杂的因果关系图，就可以分析时间序列之间的因果关系。然而，传统的Granger因果关系方法假设因果关系存在于时间序列通道之间且保持恒定，无法对真实世界的时间序列数据进行建模，而这些数据具有沿时间序列通道的动态因果关系。本文提出了一种多通道时间序列数据的动态窗级Granger因果分析方法。通过对滑动窗口上的预测误差进行F检验，建立了窗口水平上的因果关系模型。我们在DWGC方法中提出了因果关系索引技巧来重新加权原始时间序列数据。因果索引本质上是降低自相关性，增加互相关性的因果效应，改进了DWGC方法。理论分析和实验结果表明，改进的DWGC方法与因果关系索引更好地检测窗口级的因果关系。
2020-06-14 cs.LG stat.ME stat.ML
Interventional Time Series Priors for Causal Foundation Models
National University of Singapore（新加坡国立大学）
本文提出CausalTimePrior框架，生成合成时间结构因果模型，支持可配置因果图、非线性自回归机制和多干预类型，推动时间序列因果推断的基础模型发展。
2026-04-08 cs.LG stat.ME
Nonparametric Causal Feature Selection for Spatiotemporal Risk Mapping of Malaria Incidence in Madagascar
现代疾病绘图利用大量高分辨率空间数据产品，在地质统计框架内将环境和/或社会经济因素作为协变量或“特征”加以反映，以改进对疾病风险的预测。特征选择是构建这些模型的重要步骤，有助于减少过拟合和计算复杂性，并提高模型的可解释性。仅选择与响应变量具有因果关系的特征可能会提高预测和概括性，但从非干预性时空数据中识别这些因果特征是一个具有挑战性的问题。在这里，我们研究的因果特征选择过程中估计在马达加斯加的疟疾发病率的性能。为这项任务设计的研究过程结合了PC算法与时空预白化和基于内核的独立性测试扩展到容纳聚合数据。这个案例研究揭示了一个明显的优势，因果特征选择的前向时间估计任务中的样本预测精度，但不是在时空插值任务，与阈值的尖峰和板相比，线性和非线性回归模型。与没有特征选择相比，因果特征选择在可用数据量相对于模型复杂性较低的设置中最有益。
2021-03-15 stat.AP
Inferring Individual Level Causal Models from Graph-based Relational Time Series
Adobe Research（Adobe研究）；Intel Labs（英特尔实验室）
在这项工作中，我们正式的因果推理的问题，在基于图的关系时间序列数据中，图中的每个节点有一个或多个时间序列相关联的，我们提出了因果推理模型，利用图的拓扑结构和时间序列，以准确地估计节点的局部因果效应。此外，关系时间序列因果推理模型能够通过利用局部以节点为中心的时间依赖性和拓扑/结构依赖性来估计单个节点的局部效应。我们发现，简单的因果模型，不考虑图形拓扑恢复的特殊情况下，建议的关系时间序列因果推理模型。我们描述的条件下，由此产生的估计可用于估计因果关系的影响，并描述如何的Durbin-Wu-Hausman测试规格可用于测试的一致性，从数据的建议估计。从经验上讲，我们证明了因果推理模型的有效性与已知的地面真理和一个大规模的观测关系的时间序列数据集从维基百科收集的合成数据。
2020-01-23 cs.LG cs.SI stat.ML
Orientability of Causal Relations in Time Series using Summary Causal Graphs and Faithful Distributions
Sorbonne Université（索邦大学）；INSERM（国家卫生研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（流行病与公共卫生研究所）
本文研究了在总结因果图和忠实分布下，时间序列中因果关系的可定向性，提供理论保证以指导微尺度边定向，提升复杂时间系统中的因果发现。
2026-03-12 cs.AI stat.ME
Inductive Granger Causal Modeling for Multivariate Time Series
Alibaba Group（阿里巴巴集团）
Granger因果模型是一个新兴的研究课题，它能够揭示多元时间序列数据背后的Granger因果关系。在许多现实世界的系统中，经常会遇到从具有共享共性的不同个体收集的大量多变量时间序列数据。然而，有持续关注格兰杰因果关系的适用性，在这样的大规模复杂的情景，提出了挑战和机会，格兰杰因果结构重建。现有的方法通常为每个个体训练不同的模型，存在低效率和过拟合问题。为了弥合这一差距，我们提出了一个归纳格兰杰因果关系建模（InGRA）框架的归纳格兰杰因果关系学习和共同的因果结构检测多变量时间序列，利用共享的共性，不同的个人。特别地，我们通过一种新的注意力机制（称为原型Granger因果注意力）为具有不同Granger因果结构的个体训练一个全局模型。该模型可以检测不同个体的共同因果结构，并推断新来个体的格兰杰因果结构。大量的实验以及在电子商务广告平台上的在线A/B测试证明了InGRA的优越性能。
2021-02-10 cs.LG stat.ML
Causal Reasoning in Graphical Time Series Models
University of Maastricht（马斯特里赫特大学）；University College London（伦敦大学学院）
我们提出了一个定义的因果关系的时间序列的影响，在一个多变量时间序列的一个组件上的另一个组件在稍后的时间点的干预。可识别性的条件，可比的后门和前门的标准，提出，也可以通过图形验证。因果效应的计算推导和说明的线性情况下。
2012-06-20 cs.AI stat.ME
Inferring Causality from Time Series data based on Structural Causal Model and its application to Neural Connectomics
本文提出基于条件依赖检验的非参数时间序列因果推断算法CITS，证明其恢复因果图的数学保证，在模拟数据上对比现有方法，并展示其在小鼠视觉皮层电生理数据的神经连接组学应用价值。
2023-12-15 q-bio.NC q-bio.QM stat.AP
Inferring extended summary causal graphs from observational time series
Easyvista；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）
本研究针对时间序列上的延伸摘要因果图的学习问题。我们提出的算法适合在著名的基于约束的框架因果发现，并利用信息理论的措施，以确定（中）时间序列之间的依赖关系。我们首先介绍的因果熵测度的任何滞后或瞬时关系的概括，使用此措施之前，通过适应两个著名的算法，即PC和FCI构建扩展的摘要因果图。我们的方法的行为说明了通过模拟和真实数据集上运行的几个实验。
2022-05-19 cs.AI stat.ML
Sparse causality network retrieval from short time series
我们研究如何有效地一个已知的基本稀疏因果结构的模拟多元线性过程可以检索到的时间序列的分析长度短。因果关系从条件转移熵中量化，并且通过仅保留统计验证的贡献来构建网络。我们比较了三种方法的结果：两种常用的正则化方法，Glasso和脊，和一个新引入的技术，LoGo，基于信息过滤网络和图形建模的组合。对于这三种方法，我们探索区域的时间序列长度和模型参数，其中一个显着的部分真正的因果关系链接检索。我们的结论是，当时间序列很短，其长度短于变量的数量，稀疏模型更适合于发现真正的因果关系与Logo检索真正的因果关系网络更准确地比Glasso和岭。
2017-10-05 stat.ME
Reconstructing regime-dependent causal relationships from observational time series
从观测的时间序列数据中推断因果关系是科学和工程中的一个关键问题，每当实验干预是不可行的或不道德的。在过去的几十年里，数据可用性的增加刺激了大量因果发现方法的发展，每种方法都解决了这一艰巨任务的特定挑战。在本文中，我们专注于一个重要的挑战，是在时间序列因果发现的核心：政权依赖的因果关系。动力学系统的特征通常是依赖于某些持久的、不可观测的背景状态的转换，不同的状态可能表现出不同的因果关系。在这里，我们假设一个持久的和离散的制度变量导致有限数量的制度内，我们可以假设固定的因果关系。为了检测依赖于政权的因果关系，我们结合了条件独立为基础的PCMCI方法与政权学习优化方法。PCMCI允许线性和非线性、高维时间序列因果发现。我们的方法Regime-PCMCI在许多数值实验中进行了评估，证明它可以区分具有不同因果方向、时间滞后、效应和因果联系符号以及变量自相关变化的制度。此外，Regime-PCMCI被用于厄尔尼诺南方涛动和印度降雨的观测，在现实世界的数据集也展示了技能。
2020-07-01 math.OC stat.ME
Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models
本文提出ATSCM模型，通过学习时间变化的因果图，实现对能源市场中因果模式的检测与反事实推理。
2026-01-21 cs.LG q-fin.CP stat.ME
Detecting causal associations in large nonlinear time series datasets
从观测的时间序列数据中识别因果关系是气候科学或神经科学等学科的一个关键问题，在这些学科中，实验往往是不可能的。数据驱动的因果推断是具有挑战性的，因为数据集通常是高维的和非线性的，具有有限的样本量。在这里，我们介绍了一种新的方法，灵活地结合线性或非线性条件独立性测试的因果发现算法，允许重建因果网络从大规模的时间序列数据集。我们验证了一个完善的气候遥相关连接热带太平洋与热带以外的温度，并使用大规模的模拟真实数据的典型属性的合成数据集的方法。实验表明，我们的方法优于其他技术的检测能力，从小到大规模的数据集，并开辟了全新的可能性，发现因果网络从时间序列在一系列的研究领域。
2018-06-28 physics.ao-ph stat.AP stat.ME
Compositional dynamic modelling for causal prediction in multivariate time series
本文基于多元动态模型的序列贝叶斯分析理论，提出一种用于多元时间序列因果预测的组合动态建模方法，扩展了贝叶斯反事实分析，并定义了结果自适应建模概念，通过商业营销干预案例验证了方法的有效性。
2024-06-04 stat.AP stat.ME
Granger causality of bivariate stationary curve time series
利用Granger因果关系广义相关性测度研究了二元曲线时间序列之间的因果关系。有了这个度量，我们可以研究哪一条曲线时间序列会引起另一条曲线;反过来，它又有助于确定任何两条曲线时间序列的可预测性。通过一个气候学的例子，我们发现海表温度是海平面气压变化的Granger因子。受金融投资组合管理应用的启发，我们挑选出领先或落后于道琼斯工业平均指数的股票。考虑到标普500指数与原油价格之间的密切关系，我们确定了领先和滞后变量。
2020-10-19 stat.AP stat.ME
Causal Vector Autoregression Enhanced with Covariance and Order Selection
针对弱平稳多变量过程，提出了一种因果向量自回归（CVAR）模型，该模型结合了同时期分量的递归有向图模型和纵向向量自回归模型。采用不同块大小的块Cholesky分解来求解模型方程，并估计沿有向无环图（DAG）的路径系数。如果DAG是可分解的，即零在其邻接矩阵中形成可约零模式（RZP），则应用协方差选择，将零分配给对应的路径系数。现实生活中的应用也被认为是，其中的最佳顺序$p\ge 1$的拟合CVAR $(p)$模型，顺序选择进行各种信息标准。
2022-11-25 stat.ME
Large-scale nonlinear Granger causality: A data-driven, multivariate approach to recovering directed networks from short time-series data
University of Rochester（罗切斯特大学）
为了深入了解复杂系统，从观测的时间序列数据中推断非线性因果方向关系是一个关键挑战。具体而言，估计因果关系的相互作用的组件在大型系统中只有很短的记录在几个时间的观察仍然是一个重要的，但尚未解决的问题。在这里，我们介绍了一个大规模的非线性格兰杰因果关系（lsNGC）的方法来推断方向，非线性，多变量因果关系的系统组件之间的相互作用，从短的高维时间序列记录。通过从有限的观测数据与非线性状态空间变换的相互作用建模，lsNGC确定的因果关系，没有明确的先验假设组件的时间序列之间的功能相互依赖的计算效率的方式。此外，我们的方法提供了一个数学公式，揭示推断的因果关系的统计意义。我们广泛地研究了lsNGC从2节点到34节点混沌时间序列系统恢复网络结构的能力。我们的研究结果表明，lsNGC从有限的观测数据中捕获有意义的相互作用，与传统方法相比，它表现良好。最后，我们证明了lsNGC的适用性，估计因果关系在大型，现实世界的系统中，通过推断方向的非线性，多变量的因果关系之间的大量的相对较短的时间序列获得的功能性磁共振成像（fMRI）数据的人脑。
2020-09-10 cs.IT cs.LG math.IT
Detecting direct causality in multivariate time series: A comparative study
格兰杰因果关系的概念越来越多地被用于描述不同应用中的定向相互作用。一个多变量的框架，估计格兰杰因果关系是必不可少的，以占所有可用的信息，从多变量时间序列。然而，包含非信息性或非显著性变量会产生与“维数灾难”相关的估计问题。为了解决这个问题，直接因果关系的措施，使用变量选择和降维技术已被引入。在这项比较工作中，在时间域中的双变量和多变量因果关系的措施合奏的性能进行评估，侧重于降维因果关系的措施。特别是，使用不同类型的高维耦合离散系统（涉及多达100个变量）和时间序列长度和不同的噪声类型的因果关系的措施的鲁棒性进行检查。仿真研究的结果突出了降维措施的优越性，特别是对高维系统。
2020-11-02 nlin.CD stat.CO stat.ME
TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
本文提出TS-CausalNN深度学习模型，通过并行因果卷积层、无环性约束和增广拉格朗日优化，同时发现同期与滞后因果关系，有效处理非线性非平稳时间序列数据。
2024-04-01 cs.LG stat.ME
Characterization of causal ancestral graphs for time series with latent confounders
German Aerospace Center（德国航空航天中心）
该研究提出一类用于含未观测混杂因子的多变量时间序列的新型因果图模型，证明其为现有模型类的真子集，可在无额外假设下得出更强因果推断，且其马尔可夫等价类图形表示蕴含更丰富的因果知识。
2023-10-05 cs.AI cs.LG stat.ME
A causal interactions indicator between two time series using extreme variations in the first eigenvalue of lagged correlation matrices
本文提出基于滞后相关矩阵最大特征值变异性的双时间序列因果交互识别方法，经实验验证其检测时序结构变化的效果优于Granger因果检验，可用于金融市场风险相关的因果推断。
2025-11-18 q-fin.PM stat.AP
Multi-Band Variable-Lag Granger Causality: A Unified Framework for Causal Time Series Inference across Frequencies
针对传统格兰杰因果关系的固定滞后假设及现有可变滞后方法未考虑频带差异的问题，提出多频带可变滞后格兰杰因果关系框架，通过建模频率依赖的因果延迟推广现有方法，在多领域实验中表现更优。
2025-08-01 cs.AI cs.LG econ.EM
Necessary and sufficient conditions for causal feature selection in time series with latent common causes
我们研究了时间序列的直接原因和间接原因的识别问题，并在存在隐变量的情况下给出了条件，在一定的图形约束下证明了这些条件的充分必要性。我们的理论结果和估计算法需要两个条件独立性测试，每个观察到的候选时间序列，以确定它是否是一个观察到的目标时间序列的原因。我们在模拟中提供实验结果，以及真实数据。我们的研究结果表明，我们的方法导致非常低的假阳性和相对较低的假阴性率，优于广泛使用的格兰杰因果关系。
2020-10-22 stat.ME stat.ML
Discovering Causal Relationships Between Time Series With Spatial Structure
University of St Andrews（圣安德鲁斯大学）
本文提出一种扩展时间序列因果发现的方法，以处理具有空间结构的系统，解决空间自相关和复杂混杂问题，同时指出未来研究方向。
2026-10-21 stat.ME
Bayesian Testing Of Granger Causality In Functional Time Series
本文提出多元函数型自回归模型，结合贝叶斯动态线性模型与贝叶斯因子检验格兰杰因果，并应用于金融收益率曲线和气候污染物数据。
2021-12-31 q-fin.ST stat.AP stat.ME
Evaluation of Granger causality measures for constructing networks from multivariate time series
格兰杰因果关系和这个概念的变体允许研究复杂的动态系统，从多变量时间序列构建的网络。在这项工作中，大量的格兰杰因果关系的措施，用于形成因果关系网络的多变量时间序列进行评估。这些测量是在时域中的，例如基于模型的测量和信息测量、频域和相域。该研究的目的还在于比较双变量和多变量的措施，线性和非线性的措施，以及使用降维在线性模型为基础的措施和信息措施。后者在高维时间序列的研究中特别重要。对于多变量因果测度的性能，低维和高维耦合动力系统被认为是在离散和连续时间，以及确定性和随机。根据它们提供与原始耦合结构相匹配的因果关系网络的能力，对这些措施进行评估和排名。模拟研究的结论是，格兰杰因果关系的措施，使用降维是优越的，特别是在涉及许多观察变量的研究，如多通道脑电图和金融市场，应首选。
2019-10-31 cs.IT math.IT nlin.CD
CITS: Nonparametric Statistical Causal Modeling for High-Resolution Neural Time Series
University of California, San Francisco（旧金山加利福尼亚大学）；UCSF Weill Institute for Neurosciences（旧金山加利福尼亚大学威尔神经科学研究所）；Center for Research on Science and Consciousness（科学与意识研究中心）；National University of Singapore（新加坡国立大学）；Department of Bioengineering and Therapeutic Sciences, University of California, San Francisco（旧金山加利福尼亚大学生物工程与治疗科学系）
CITS是一种非参数方法，用于从高分辨率神经时间序列中推断统计因果结构，通过结构因果模型和滞后条件独立性检验，实现了对神经元因果路径和区域层次结构的准确识别。
2026-03-08 q-bio.NC q-bio.QM stat.AP
Learning Causally-Generated Stationary Time Series
我们提出了因果高斯过程卷积模型（CGPCM），因果，频谱复杂的动力学现象的双非参数模型。CGPCM是一种生成模型，其中白噪声通过因果，非参数窗口移动平均滤波器，我们证明，该结构相当于一个高斯过程与非参数内核偏向因果生成的信号。我们为CGPCM及其先前的因果变体GPCM开发了增强的变分推断和学习方案（Tobar等人，2015b），这大大提高了统计准确性。这些建模和推理的贡献证明了一系列的合成和现实世界的信号。
2018-02-22 stat.ML
Variable-lag Granger Causality for Time Series Analysis
National Electronics and Computer Technology Center（国家电子和计算机技术中心）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
Granger因果关系是一种在时间序列数据中进行因果推断的基本技术，通常用于社会科学和生物科学。Granger因果关系的典型操作假设效应时间序列的每个时间点都受到具有固定时间延迟的其他时间序列的组合的影响。然而，固定时滞的假设在许多应用中并不成立，例如集体行为、金融市场和许多自然现象。为了解决这个问题，我们开发了可变滞后格兰杰因果关系，广义的格兰杰因果关系，放宽了固定时间延迟的假设，并允许原因影响任意时间延迟的效果。此外，我们提出了一种方法来推断变量滞后格兰杰因果关系。我们在一个研究协调集体行为的应用程序上展示了我们的方法，并表明它在模拟和真实世界数据集中的表现优于现有的几种方法。我们的方法可以应用于任何领域的时间序列分析。
2019-12-18 cs.LG econ.EM q-bio.QM
Time Series Causal Link Estimation under Hidden Confounding using Knockoff Interventions
Friedrich Schiller University Jena（耶拿弗里德里希·席勒大学）
潜变量往往掩盖了观测数据中的因果关系，这会引起可能被误解为因果关系的虚假联系。这个问题在气候科学和经济学等领域引起了极大的兴趣。我们建议估计混淆因果关系的时间序列使用顺序因果效应变分自编码器（SCEVAE），同时应用敲除干预。剔除变量与原始变量具有相同的分布，并保持与其他变量的相关性。这允许反事实更忠实于观测分布。我们通过将SCEVAE应用于具有线性和非线性因果联系的合成数据集，展示了敲除干预的优势。此外，我们应用SCEVAE与敲除真实的气溶胶云气候观测时间序列数据。我们比较了我们的结果合成数据的时间序列去干扰方法，估计和没有混淆。我们通过将这两种方法与地面实况进行比较，表明我们的方法优于此基准。对于真实的数据分析，我们依赖于专家知识的因果联系，并演示如何使用合适的代理变量，提高了因果关系的估计存在隐藏的混杂因素。
2022-11-18 cs.LG stat.ME
Use of Prior Knowledge to Discover Causal Additive Models with Unobserved Variables and its Application to Time Series Data
Tokyo Denki University（东京电机大学）
本文面向含潜在混杂因素的CAM-UV，提出融合变量因果约束和时间先后先验的因果发现方法，并扩展至时间序列，实验验证了先验知识对准确率的提升。
2024-01-18 cs.LG stat.ME stat.ML
A Causal-based Framework for Multimodal Multivariate Time Series Validation Enhanced by Unsupervised Deep Learning as an Enabler for Industry 4.0
Paul Wurth S.A.（保罗沃思股份公司）
多模态多变量时间序列的高级概念验证框架定义了从单变量上下文定义到自动编码器从异构数据（图像、时间序列、声音等）学习的多模态抽象上下文表示的多级上下文异常检测。与工业过程相关。框架的每一级都适用于历史数据和/或实时数据。最终层次是基于因果发现来识别观测数据中的因果关系，以排除有偏见的数据来训练机器学习模型，并为领域专家提供在数据样本所代表的底层过程中发现未知因果关系的方法。一个长短期记忆自动编码器成功地评估多变量时间序列，以验证与高炉的多个资产的抽象上下文的学习表示。确定了一个研究路线图，将因果发现和表示学习相结合，作为应用于过程工业的无监督根本原因分析的推动者。
2020-08-05 cs.LG stat.ML
Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种基于聚类的因果混合器，用于多变量时间序列的在线异常检测，通过聚类处理通道间的相关性，结合因果混合器保持时间因果性，并开发了序列异常评分方法以提高检测准确性。
2026-06-04 cs.LG stat.ML
Nonlinear Causality in Time Series Networks: With Application to Motor Imagery vs Execution
针对时间序列网络中非线性因果关系难以识别的问题，提出基于阈值自回归模型的两阶段推断方法TAR4C，并在多通道EEG运动想象与执行实验中验证了其有效性。
2025-09-18 stat.AP stat.CO stat.ME
Discovering Mixtures of Structural Causal Models from Time Series Data
Halıcıoğlu Data Science Institute, University of California, San Diego（加利福尼亚大学圣迭戈分校哈利西奥格鲁数据科学学院）；Department of Computer Science and Engineering, University of California, San Diego（加利福尼亚大学圣迭戈分校计算机科学与工程系）
针对时间序列因果发现中现有方法假设数据来自单一因果模型的局限，提出基于变分推断的MCD框架，可推断混合因果模型及样本混合概率，实验表现优于基准方法且具备理论可识别性。
2024-06-23 cs.LG stat.ML
Causality-Aware Spatiotemporal Graph Neural Networks for Spatiotemporal Time Series Imputation
University of Illinois（伊利诺伊大学）；Virginia Polytechnic Institute and State University（弗吉尼亚理工大学）；Microsoft Research Asia（微软亚洲研究院）；Emory University（埃默里大学）
本文从因果视角提出因果感知时空图神经网络Casper，通过前门调整、基于提示的解码器和时空因果注意力机制阻断混杂因素并发现稀疏因果关系，在三个真实数据集上验证了其在时空时间序列插补中的优越性。
2024-10-23 cs.LG stat.ML
Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models
Lucy Family Institute for Data & Society（数据与社会联合研究所）；University of Notre Dame（诺特大学）；Department of Political Science（政治学系）
针对非线性时间序列模型中因果分数被误读为回归系数的问题，提出基于边消融和预测比较的预测必要性检验框架，以评估因果关系的实际必要性。
2026-04-20 cs.AI cs.LG stat.ME
Learning latent causal relationships in multiple time series
City College of New York（纽约城市学院）
识别具有多个动态元素的系统的因果结构对几个科学学科至关重要。传统的方法是进行因果关系的统计测试，例如Granger因果关系，在先验选择的观测信号之间。这里假设，在许多系统中，因果关系嵌入在一个潜在的空间中，该空间在观察到的数据中表示为线性混合。提出了一种用于盲识别潜在源的技术：将观测投影到成对的分量中-驱动和被驱动-以最大化成对分量之间的因果关系强度。这导致了一个优化问题的目标函数和梯度的封闭形式的表达式，可以解决与现成的技术。在对具有已知潜在结构的合成数据进行概念验证后，该技术被应用于人类大脑和历史加密货币价格的记录。在这两种情况下，该方法恢复了多个强因果关系，这些关系在观察到的数据中并不明显。所提出的技术是无监督的，可以很容易地应用于任何多个时间序列揭示数据背后的因果关系。
2022-03-21 cs.LG stat.ME stat.ML
Variable Selection in Causal Inference Using Penalization
在因果调整设置中，基于结局或治疗分配模型的变量选择技术可能导致遗漏混杂因素或在倾向评分中纳入虚假变量。我们提出了一种基于惩罚似然的变量选择方法，该方法同时考虑了响应和治疗分配模型。所提出的方法有利于在高维环境中的混杂选择。我们表明，在某些条件下，我们的方法达到的预言财产。所选变量用于形成治疗效果的双重稳健回归估计。模拟结果和经济增长数据进行了分析。
2014-06-05 math.ST stat.TH
Epidemic change-point detection in general causal time series
我们考虑了一个流行病的变化点检测在一个大类的因果时间序列模型，包括在其他过程中，AR（$\infty$），AR（$\infty$），THERM（$\infty$），ARMA-GHERM。基于参数的高斯拟极大似然估计，提出了一种检验统计量。证明了在无变化的原假设下，检验统计量收敛于两个布朗桥之差的分布，而在流行病选择下发散到无穷大.仿真和实际数据的例子提供了数值结果。
2021-05-28 math.ST stat.TH
Bias of the additive hazard model in the presence of causal effect heterogeneity
风险比容易出现选择偏差，从而影响其作为因果被估量的使用。另一方面，已证明风险差异随时间推移不受脆弱性因素选择的影响。因此，在不存在混杂因素的情况下，观察到的风险差异可用作因果风险差异的无偏估计量。然而，在存在效应（对危害）异质性的情况下，危害差异也受到选择的影响。在这项工作中，我们正式观察到的风险差异（从随机对照试验）如何演变，通过选择有利的水平的效应修饰剂在暴露组，从而偏离因果风险差异的利益。这种选择可能会导致非线性的综合风险差异曲线，即使个别因果效应是时不变的。因此，对危害的同质时变因果加性效应不能与恒定但异质的因果效应区分开来。我们通过研究化疗对口咽癌患者生存时间的影响来说明这一因果关系问题。因此，如果不作出不可检验的假设，危险差异就不能用作因果效应的适当衡量标准。
2022-10-29 math.ST stat.TH
Foundations of Structural Causal Models with Latent Selection
本文提出通过结构因果模型理论基础解决潜在选择问题，引入条件操作以保留因果语义并简化分析。
2025-11-16 cs.AI cs.LG math.ST
Complete Causal Identification from Ancestral Graphs under Selection Bias
Korteweg-de Vries Institute for Mathematics, University of Amsterdam（科特维格-德弗里斯数学研究所，阿姆斯特丹大学）
本文提出在选择偏见下基于祖先图的因果识别算法，通过建立条件独立关系的理论框架，实现对因果结构的完整识别。
2026-03-27 math.CO math.PR math.ST
Distinguishability of causal structures under latent confounding and selection
University of Oxford（牛津大学）；Perimeter Institute for Theoretical Physics（理论物理前沿研究所）；University of Waterloo（滑铁卢大学）
本文提出 smDG 图结构刻画含潜在混杂与选择偏倚的因果图等价类，证明其在任意干预下的不可区分判据，并给出被动观测的完备分离准则与充分条件。
2026-10-20 math.ST stat.ML stat.TH
Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables
Department of Applied Statistics, Beijing Technology and Business University（应用统计系，北京技术与商业大学）；SIAT, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
针对潜变量存在下非参数因果效应估计的协变量选择问题，提出利用可观测变量间可检验关系进行局部学习的有效且完备的方法，并通过合成与真实数据实验验证其有效性。
2025-10-27 cs.LG math.ST stat.ML
Causal Feature Selection via Orthogonal Search
Massachusetts Institute of Technology（麻省理工学院）；Inria（法国国家信息与自动化研究所）；Ecole Normale Supérieure（巴黎高等师范学院）；PSL Research University（巴黎文理研究大学）；KTH（瑞典皇家理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在许多学科中，从大量的解释变量中推断反应变量的直接因果父变量的问题具有很高的实际重要性。然而，已建立的方法通常至少与解释变量的数量成指数级，难以扩展到非线性关系，并且难以扩展到循环数据。受{ \em Debiased}机器学习方法的启发，我们研究了一个一对其余的特征选择方法，以发现反应的直接因果父。我们提出了一种算法，它适用于纯观测数据，同时也提供理论保证，包括部分非线性关系的情况下可能存在的周期。由于它只需要一个估计为每个变量，我们的方法是适用的，甚至大型图。与现有方法相比，我们表现出显着的改进。
2022-09-17 cs.LG math.ST stat.ML
