Econometric vs. Causal Structure-Learning for Time-Series Policy Decisions: Evidence from the UK COVID-19 Policies
Bayesian Artificial Intelligence research lab, MInDS research group(贝叶斯人工智能研究实验室,MInDS研究小组);School of Electronic Engineering and Computer Science, Queen Mary University of London(电子工程与计算机科学学院,伦敦女王玛丽大学)
本文比较了计量经济学与传统因果机器学习在时间序列数据中的因果结构学习效果,通过英国新冠疫情防控政策案例,评估四种计量经济学方法与十一种因果机器学习算法在图结构、模型维度和因果效应恢复能力上的表现。
2026-05-08 cs.AI cs.LG econ.EM
Causal Discovery on Irregular Time Series
Feedzai(Feedzai公司);Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院);DCC, Faculdade de Ciêncidas da Universidade do Porto(波尔图大学理学院数据与计算机科学系);Instituto de Telecomunicações(电信研究所)
研究旨在解决不规则时间序列的因果发现问题,通过扩展PCMCI+方法,利用预定义时间窗口聚合因果影响,在合成数据实验中表现出色,能有效恢复因果图且优于标准方法。
2026-07-21 cs.LG stat.ME
CUTS: Neural Causal Discovery from Irregular Time-Series Data
Tsinghua University(清华大学);Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)(清华大学脑与认知科学研究所);Chinese PLA General Hospital(中国人民解放军总医院)
从时间序列数据中发现因果关系一直是机器学习的核心任务。最近,Granger因果关系推理由于其良好的可解释性和与新兴的深度神经网络的高度兼容性而获得了发展势头。然而,现有的方法大多假设输入数据是结构化的,当遇到随机缺失数据或采样频率不均匀的数据时,这些方法的性能会大大退化,这就阻碍了它们在实际应用中的应用。为了解决这个问题,本文提出了一种神经Granger因果发现算法CUTS,通过在一个迭代框架中插入两个相互促进的模块来联合估算未观察到的数据点并构建因果图:(i)潜在数据预测阶段:设计了一个延迟监督图神经网络(Delayed Supervision Graph Neural Network,DSGNN)来对可能具有高维和复杂分布的非结构化数据进行幻觉和注册;(ii)因果图拟合阶段:在稀疏惩罚下用估算数据构建因果邻接矩阵。实验表明,CUTS有效地推断因果图从非结构化的时间序列数据,具有显着优于现有的方法的性能。我们的方法是一个有前途的一步,将因果发现应用到实际应用中的非理想观测。
2023-02-15 cs.LG stat.ME
CDANs: Temporal Causal Discovery from Autocorrelated and Non-Stationary Time Series Data
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本文提出CDANs方法,用于自相关非平稳时间序列的因果发现,通过优化条件集和识别变化模块,有效处理高维性并识别滞后及同期因果关系,实验验证了其有效性。
2023-10-16 cs.AI cs.LG stat.ME
Causal Inference on Time Series using Structural Equation Models
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ETH Zurich(苏黎世联邦理工学院)
因果推断使用观察来推断数据生成系统的因果结构。我们研究一类函数模型,我们称之为独立噪声时间序列模型(TiMINo)。这些模型需要独立的残差时间序列,而传统的方法,如格兰杰因果关系利用残差的方差。有两个主要贡献:(1)理论:通过限制模型类(例如加性噪声),我们可以提供比现有的更一般的可识别性结果。该结果结合了可以是非线性的并且不需要是忠实的滞后和瞬时效应,以及时间序列之间的非瞬时反馈。(2)实用:如果时间序列之间没有反馈环,我们提出了一种基于时间序列的非线性独立性测试的算法。当数据不充分或数据生成过程不满足模型假设时,该算法仍可能给出部分结果,但大多数情况下避免了错误答案。对(非瞬时)反馈的扩展是可能的,但未讨论。它在人工和真实数据上优于现有方法。代码可以根据要求提供。
2012-07-21 cs.LG stat.ME stat.ML
Causal Identification in Time Series Models
Engineering and Applied Science, California Institute of Technology(工程与应用科学学院,加州理工学院)
本文分析了Causal Identification算法在带有潜在混杂因素的因果时间序列图中的适用性,首次提出了仅取决于变量数和最大时间滞后的界限,并证明对恒定大小图段应用该算法即可判定跨无限时间区间的因果效应可识别性。
2025-04-28 cs.AI cs.LG stat.ME
Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data
University of Amsterdam(阿姆斯特丹大学);University of Toronto(多伦多大学);Vector Institute(向量研究所)
在时间序列数据上,大多数因果发现方法在遇到来自新的潜在因果图的样本时都适合新的模型。然而,这些样本通常共享在遵循这种方法时丢失的相关信息。具体而言,不同的样本可能共享描述其因果关系的影响的动态。我们提出了摊销因果发现,一个新的框架,利用这种共享的动态学习推断因果关系的时间序列数据。这使我们能够训练单个摊销模型,该模型推断具有不同基础因果图的样本之间的因果关系,从而利用共享的动态信息。我们的实验表明,这种方法,实施为变分模型,导致因果发现性能的显着改善,并显示它如何可以扩展到执行以及下添加的噪声和隐藏的混淆。
2022-02-21 cs.LG stat.ML
Causal Discovery with Stage Variables for Health Time Series
Stevens Institute of Technology(史蒂文斯理工学院)
针对健康时间序列中因果关系随病程变化、单阶段数据不足的问题,提出带阶段变量的因果发现方法CDSV,通过阶段变量重加权多时间序列数据兼顾各阶段差异,在模拟及真实医疗数据集上表现优于基线方法。
2023-05-05 cs.AI stat.ME
PanelMatch: Matching Methods for Causal Inference with Time-Series Cross-Section Data
本文介绍 R 包 PanelMatch,为时间序列截面数据提供参数假设更少、诊断更丰富的匹配式因果推断方法及可视化工具。
2025-08-16 stat.AP stat.ME
Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data
University of Michigan(密歇根大学)
本文提出一种贝叶斯倾向分数增强的潜在因子模型,用于时间序列横截面数据的因果推断,通过引入潜在因子载荷显式建模处理分配机制,并通过分层等方法灵活整合倾向分数,提升跨分层的异质性分析能力。
2026-03-26 stat.ME
CUTS+: High-dimensional Causal Discovery from Irregular Time-series
Tsinghua University(清华大学);Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)(清华大学脑与认知科学研究院(THUIBCS));Chinese PLA General Hospital(中国人民解放军总医院)
针对高维、不规则采样时间序列中的因果结构学习难题,本文提出 CUTS+,通过 C2FD 与 MPGNN 增强 CUTS,显著提升可扩展性和因果发现性能。
2023-08-16 cs.LG stat.ME
Sparse Causal Discovery in Multivariate Time Series
我们的目标是在多变量时间序列中估计因果相互作用。使用向量自回归(VAR)模型,这些可以基于属于相应时滞实例的非零系数来定义。由于在大多数情况下,假设一个简约的因果关系结构,因果发现的一个有前途的方法包括拟合VAR模型与额外的稀疏促进正则化。沿着这条线,我们在这里提出,稀疏性应强制属于每对时间序列的系数的子组,因为因果关系的缺乏需要所有时滞的系数共同变为零。这种行为可以通过l1-l2范数正则化回归来实现,最近已经提出了一种有效的活动集求解器。我们的方法被证明优于标准方法在恢复模拟因果关系图。结果与第二种使用多重统计检验的新方法相当。
2009-01-15 stat.AP stat.ME stat.ML
Causal discovery for time series with constraint-based model and PMIME measure
Université Paris-Saclay(巴黎萨克雷大学);CEA LIST(法国原子能和替代能源委员会实验室集成系统与技术部)
本文提出一种结合约束因果发现算法与PMIME信息论度量的时间序列因果发现方法,可推断线性与非线性关系并构建因果图,在模拟数据上取得良好效果。
2023-05-31 cs.IT cs.LG math.IT
A Practical Guide to Counterfactual Estimators for Causal Inference with Time-Series Cross-Sectional Data
本文介绍了一个简单的框架,反事实估计因果推断与时间序列横截面数据,其中我们估计的平均处理效应的治疗直接归因于反事实的结果治疗观察。在此框架下,我们讨论了几个新的估计,包括固定效应反事实估计,交互式固定效应反事实估计,矩阵完成估计。当处理效应具有异质性或存在未观察到的时变混杂因素时,它们提供了比传统的双向固定效应模型更可靠的因果估计。此外,我们提出了一个新的动态处理效应图,以及几个诊断测试,以帮助研究人员衡量识别假设的有效性。我们用两个政治经济学的例子来说明这些方法,并在R和Stata中开发了一个开源包fect,以促进实施。
2022-08-14 stat.AP stat.ME
Scalable Linear Causal Inference for Irregularly Sampled Time Series with Long Range Dependencies
UC Berkeley(加州大学伯克利分校);Inst. of Transportation Studies(交通研究所)
线性因果分析是金融、物理科学和工程等广泛重要应用的核心。现有的线性因果分析的文献大多是在时域中进行的。不幸的是,时域线性因果分析的直接应用到许多现实世界的时间序列提出了三个关键的挑战:不规则的时间采样,长范围的依赖性,和规模。此外,现实世界的数据往往是在不规则的时间间隔收集在分散的传感器和大范围的依赖关系,使天真的时域相关估计虚假的巨大阵列。在本文中,我们提出了一个基于频域的估计框架,自然处理不规则的采样数据和长范围的依赖关系,同时使内存和通信有效的分布式处理的时间序列数据。通过在频域中操作,我们消除了插值的需要,并有助于减轻长范围依赖性的影响。我们使用Apache Spark在分布式环境中实现和评估我们的新工作流程,并在Monte Carlo模拟和高频金融交易中证明我们可以准确地恢复因果结构。
2016-03-10 cs.LG stat.ME
Path Signature Area-Based Causal Discovery in Coupled Time Series
Johns Hopkins University(约翰斯·霍普金斯大学)
耦合动力系统在自然界中经常被观察到,但如果没有关于系统的额外领域知识,通常不能很好地理解它们的因果结构。特别是在分析不可能进行受控实验的动力系统的观测时间序列数据时,例如气候变量的时间序列,确定特征如何因果地相互影响可能具有挑战性。有许多技术可用于从数据中恢复因果关系,例如Granger因果关系,收敛交叉映射和因果图结构学习方法,例如PCMCI。路径签名及其相关的有符号区域提供了一种新的方法来分析因果联系的动力系统,特别是在通知无模型,数据驱动的方法来算法因果发现。在本文中,我们探讨了使用路径签名的因果发现,并提出了应用的置信序列来分析两个变量之间的签署面积的大小的意义。这些置信序列区域以更大的采样长度收敛,并且结合分析跨时间序列的时移版本的成对有符号区域,可以帮助识别滞后/超前因果关系的存在。这种方法提供了一种新的方法来定义两个时间序列之间存在的因果联系的置信度,并最终可能提供一个假设检验框架来定义一个时间序列是否导致另一个时间序列
2021-10-23 cs.LG stat.ML
CausalFormer: An Interpretable Transformer for Temporal Causal Discovery
Tongji University(同济大学);Fudan University(复旦大学)
针对现有时间因果发现方法仅利用深度学习模型部分组件参数、映射不完整的问题,提出由因果感知Transformer和基于分解的因果检测器组成的CausalFormer模型,在多类数据集上实现了当前最优的时间因果发现性能。
2024-06-24 cs.LG stat.ME
Causal Discovery from Sparse Time-Series Data Using Echo State Network
University of Waterloo(滑铁卢大学);ATS Automation(ATS自动化公司)
时间序列数据集合之间的因果关系发现可以帮助诊断症状的原因,并有望在故障发生之前预防故障。然而,可靠的因果发现可能是非常具有挑战性的,特别是当数据采集速率变化时(即,非均匀数据采样),或者在存在缺失数据点的情况下(例如,稀疏数据采样)。为了解决这些问题,我们提出了一个由两部分组成的新系统,第一部分用高斯过程回归填充缺失数据,第二部分利用回声状态网络,这是一种水库计算机(即,用于混沌系统建模)用于因果发现。我们评估我们提出的系统对其他三个现成的因果发现算法,即结构期望最大化,子采样线性自回归绝对系数,和多变量Granger因果关系与向量自回归使用田纳西伊士曼化学数据集的性能;我们报告了相应的马修斯相关系数(MCC)和受试者工作特征曲线(ROC)并表明,该系统优于现有的算法,证明了我们的方法的可行性,发现在一个复杂的系统中的因果关系与丢失的条目。
2023-01-11 cs.LG stat.ME
Bootstrap aggregation and confidence measures to improve time series causal discovery
本文提出一种保留时间依赖与滞后结构的时间序列因果发现自助法,通过多数投票聚合得到 Bagged-PCMCI+,在提供链接置信度的同时提升精确率与召回率,尤其在样本少、变量多、自相关高的场景下效果显著。
2024-02-22 stat.ME stat.ML
Causal Discovery from Conditionally Stationary Time Series
Imperial College London(帝国理工学院);University of Dundee(邓迪大学)
本文提出状态依赖因果推断(SDCI)方法,通过将非平稳性建模为以潜在状态为条件的平稳性,实现条件平稳时间序列中的因果发现,并在粒子交互、基因调控和NBA球员运动预测中验证其优越性。
2025-06-05 cs.LG stat.ML
Causal discovery in a complex industrial system: A time series benchmark
Lund University(隆德大学);The European Spallation Source(欧洲散裂中子源)
本文提出一个来自欧洲散裂中子源工业子系统的时间序列因果发现基准数据集,并配套专家知识构建的因果图,用于评估和促进复杂系统因果发现方法的发展。
2023-10-28 cs.LG stat.ML
Consistent Causal Inference for High-Dimensional Time Series
本文提出一种基于高斯copula和向量自回归的高维时间序列因果推断方法,无需估计边际分布,可在稀疏条件下一致识别条件因果关系并以有向无环图表示,并应用于石油冲击与限价订单簿数据。
2023-07-06 math.ST stat.ME stat.TH
Causal structure learning from time series: Large regression coefficients may predict causal links better in practice than small p-values
University of Copenhagen(哥本哈根大学)
在这篇文章中,我们描述了从时间序列数据中学习因果结构的算法,这些数据在2019年神经信息处理系统会议(NeurIPS)上赢得了因果4气候竞赛。我们研究我们的组合既定的想法如何实现半现实和现实的时间序列数据表现出共同的挑战,在现实世界的地球科学数据的竞争力。特别是,我们讨论了a)利用线性方法来识别非线性系统中的因果联系的基本原理,b)关于为什么大的回归系数在实践中可以比小的p值更好地预测因果联系以及为什么归一化数据有时可能会阻碍因果结构学习的模拟支持的解释。对于基准测试的使用,我们在这里详细介绍了算法,并在https://github.com/sweichwald/tidybench上提供了实现。我们提出了竞争证明基线基准比较的方法,以指导开发新的算法,从时间序列的结构学习。
2020-09-02 cs.LG stat.AP stat.ML
Learning Causal Structure of Time Series using Best Order Score Search
University of Potsdam(波茨坦大学)
本文提出TS-BOSS方法,用于时间序列因果发现,通过改进的搜索算法在高自相关情况下实现更高的因果结构识别精度。
2026-09-25 cs.AI cs.LG stat.ME
Consistent Causal Inference from Time Series with PC Algorithm and its Time-Aware Extension
本文研究非独立同分布的平稳多元时间序列场景,证明了在ρ-混合等标准假设下,PC算法及Time-Aware PC算法的因果DAG估计具有一致性,且适用于VARMA等常用模型,实验验证了结论。
2022-10-14 stat.AP stat.ME
Causal Discovery in Semi-Stationary Time Series
Purdue University(普渡大学);Adobe Research(奥多比研究院)
针对非平稳时间序列因果发现的难题,本文提出基于约束的非参数算法PCMCI$_Ω$,可捕捉半平稳时间序列中周期性交替的因果机制,经理论证明和模拟、真实数据实验验证,能可靠识别因果图。
2024-07-10 cs.AI cs.LG stat.ML
Efficient Causal Discovery for Autoregressive Time Series
Bloomberg(彭博)
本研究提出一种针对非线性自回归时间序列的基于约束的新算法,显著降低了计算复杂度,在合成数据集上表现优于现有方法且适用于有限数据场景,为高效准确的因果推断提供了实际应用潜力。
2025-07-10 cs.LG stat.AP
Causal Discovery in Multivariate Time Series through Mutual Information Featurization
Machine Learning Group, Computer Science Department, Universite' Libre de Bruxelles(布鲁塞尔自由大学计算机科学系机器学习小组)
本文提出TD2C框架,将因果发现从统计检验转为模式识别,利用信息论特征监督学习,在合成数据训练后零样本泛化,高维非线性场景性能领先。
2025-08-03 cs.LG stat.ME stat.ML
The Impact of Time Series Length and Discretization on Longitudinal Causal Estimation Methods
随着越来越多的健康和活动数据通过可穿戴设备、社交媒体和电子健康记录收集和数字化,使用观察性时间序列数据来评估多时间点干预措施的影响变得越来越普遍。这样的时间序列可能涉及成百上千的不规则采样观测。一种常见的分析方法是简化这样的时间序列,首先将它们离散成序列,然后应用调整时间相关混杂的离散时间估计方法。在某些情况下,这种离散化的结果在序列中有许多时间点,但是,纵向因果估计的经验性质还没有系统地比较长序列。我们比较了三种有代表性的纵向因果估计方法模拟和真实的临床数据。我们的模拟和分析假设一个马尔可夫结构,纵向治疗/曝光是二进制值,最多有一个跳跃点。我们确定了时间离散化数据所产生的偏差来源,并为离散化数据和在处理长序列时选择方法提供了实际指导。此外,我们将这些估计值与真实的电子健康记录数据进行比较,评估早期治疗对患有危及生命的感染并发症(称为败血症)的患者的影响。
2020-11-30 stat.AP stat.ME
Causal Discovery from Subsampled Time Series with Proxy Variables
School of Computer Science, Peking University(北京大学计算机科学学院);Center on Frontiers of Computing Studies (CFCS), Peking University(北京大学计算前沿研究中心);School of Data Science, Fudan University(复旦大学大数据学院);Yanjing Medical College, Capital Medical University(首都医科大学燕京医学院);Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院)
针对子采样时间序列因果推断难题,提出一种非参数、基于代理变量的约束式算法,可无参数约束地识别完整因果结构,并经合成与真实实验验证其优势。
2023-12-24 cs.LG stat.ME
CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery
Tsinghua University(清华大学);Chinese PLA General Hospital(中国人民解放军总医院)
针对现有合成数据集难以真实评估时间序列因果发现算法性能的问题,本研究提出CausalTime流水线,基于真实数据生成带真值因果图的高保真时间序列,用于算法基准测试,可推广至多领域。
2023-10-03 cs.LG stat.ML
Case Studies of Causal Discovery from IT Monitoring Time Series
EasyVista(EasyVista公司);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(格勒诺布尔国立理工学院);École Normale Supérieure de Lyon(里昂高等师范学院)
本文通过案例研究探讨了因果发现算法在IT监控时间序列数据上的应用,展示了其在减少停机和异常定位方面的益处,并指出了数据复杂性带来的持续挑战。
2023-07-28 cs.AI cs.LG stat.AP
CausalCompass: Evaluating the Robustness of Time-Series Causal Discovery in Misspecified Scenarios
Southeast University(东南大学);Jilin University(吉林大学)
本文提出CausalCompass框架,评估时间序列因果发现方法在模型假设违反情况下的鲁棒性,发现深度学习方法在多种场景中表现优异,且NNTS-NOTEARS依赖标准化预处理。
2026-11-09 cs.AI cs.LG stat.ME
From Causal Discovery to Dynamic Causal Inference in Neural Time Series
Lucy Family Institute for Data & Society(数据与社会卢西家族研究所);University of Notre Dame(诺克斯达大学);Political Science University of Notre Dame(政治学诺克斯达大学)
提出动态因果网络自回归(DCNAR)两阶段框架,通过神经自回归因果发现学习稀疏有向因果网络,并将其作为结构先验用于时变神经网络自回归,实现无需预设网络结构的动态因果推断。
2026-06-04 cs.AI cs.LG stat.AP
Robust Estimation of Data-Dependent Causal Effects based on Observing a Single Time-Series
University of California, Berkeley(加州大学伯克利分校)
考虑观察单个时间序列的情况,其中在每个时间t,观察涉及治疗节点A(t)、可能的协变量L(t)和结果节点Y(t)的数据记录O(t)。在时间t处的数据记录携带在由固定维度汇总度量Co(t)定义的上下文中治疗A(t)对结果Y(t)的(潜在因果)影响的信息。我们关心的是定义因果效应,可以一致地估计,有效的推理,顺序随机实验没有进一步的假设。更一般地说,我们考虑的情况下,(可能是因果关系)的影响,可以估计在一个双稳健的方式,类似于双稳健估计的影响,在i.i.d.因果推理文献我们提出了一个一般类的平均值的条件(特定于上下文)的因果参数,可以估计在一个双重的强大的方式,因此充分利用顺序随机化。我们提出了一个有针对性的最大似然估计(TMLE),这些因果参数,并提出了一个一般定理建立的渐近一致性和正态性的TMLE。我们将我们的一般框架扩展到一些典型的研究因果目标参数,包括在单个单元内的顺序自适应设计,该设计随着时间的推移学习该单元的最佳治疗规则。我们的工作开辟了强大的统计推断因果问题的基础上观察一个特定的单元上的单个时间序列。
2018-09-03 cs.LG math.ST stat.AP
Learning domain-specific causal discovery from time series
University of Pennsylvania(宾夕法尼亚大学)
本研究提出用数据驱动监督学习替代人类设计的通用因果发现算法,在多个数据集上显著提升时间序列因果发现的准确性。
2023-10-10 cs.AI cs.LG stat.ME
Causal Inference for Time series Analysis: Problems, Methods and Evaluation
Arizona State University(亚利桑那州立大学);Northwestern Polytechnical University(西北工业大学);Army Research Lab(陆军研究实验室)
时间序列数据是由多个领域(如医疗和金融领域)生成的按时间顺序排列的观测值的集合。多年来,已经提出了不同的任务,如分类,预测和聚类来分析这类数据。时间序列数据也被用来研究干预措施随时间的影响。此外,在许多科学领域,学习动态系统和时间序列数据的因果结构被认为是一项有趣的任务,在科学发现中起着重要作用。估计干预的效果和从数据中识别因果关系可以通过因果推理来执行。关于时间序列的现有调查讨论了分类和预测等传统任务,或解释了为解决具体任务而提出的方法的细节。在本文中,我们专注于两个因果推理任务,即,时间序列数据的治疗效果估计和因果发现,并提供了每个任务的方法的全面审查。此外,我们还为每个任务整理了一系列常用的评估指标和数据集,并提供了深入的见解。这些指标和数据集可以作为该领域研究的基准。
2021-02-11 cs.LG stat.ML
TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data
Department of Information Systems(信息系统系);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);Department of Data Science(数据科学系);University of North Texas(北德克萨斯大学);Climate Science Section(气候科学组);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文提出TTCD框架,通过非平稳特征学习器和定制因果结构学习器,从非平稳时间序列中学习同时和滞后因果关系,通过重建引导的因果信号蒸馏提升准确性与一致性。
2026-04-27 cs.AI cs.LG stat.ME
Robust Causal Discovery in Real-World Time Series with Power-Laws
Department of Computer Science, Sapienza University of Rome(罗马大学计算机科学系)
本文提出了一种基于幂律谱特征提取的鲁棒因果发现方法,以提高在现实时间序列中因果关系发现的鲁棒性,该方法在合成数据集和真实数据集上均优于现有方法。
2026-06-03 cs.LG physics.data-an stat.ML
One Thing Leads to Another: The Essentials of Time Series Causal Discovery
The University of Edinburgh(爱丁堡大学);University College London(伦敦大学学院)
本教程对跨领域的时间序列因果发现进行统一概述,介绍其核心原则、方法评估方式,探讨其在多领域下游任务的重要性,并提供配套资源以助力研究者开展相关研究。
2026-10-12 cs.LG eess.SP stat.ML
CausalRivers -- Scaling up benchmarking of causal discovery for real-world time-series
Friedrich Schiller University Jena(弗里德里希·席勒大学耶拿分校)
本研究推出迄今最大真实场景时间序列因果发现基准工具包CausalRivers,含多区域河流流量数据与因果真值图,可生成多样基准测试,助力方法评估与相关领域研究。
2025-03-21 cs.AI cs.LG stat.ML
Statistical Perspective on Functional and Causal Neural Connectomics: The Time-Aware PC Algorithm
大脑中神经元之间基于其活动的信息流的表示被称为因果功能连接体。这种表征结合了神经元活动的动态性质和它们之间的因果相互作用。与连接体不同,因果功能连接体不能直接观察到,需要从神经时间序列中推断。一个流行的统计框架推断因果连接的观察是有向概率图形建模。它的共同制定是不适合神经时间序列,因为是独立和相同分布的静态样本的变量。在这项工作中,我们提出了一种新的方法,适应定向概率图形建模的时间序列的情况下,从神经时间序列的因果功能连接的模型和估计。特别是,我们开发的时间感知PC(TPC)算法估计的因果功能连接,适应PC算法的统计因果推理的最先进的方法。我们发现,TPC的模型结果具有反映神经相互作用的因果关系,如非参数的属性,表现出有向马尔可夫性质的时间序列设置,并预测的后果,反事实干预的时间序列。我们证明了该方法的实用性,以获得因果功能连接体的几个数据集,包括模拟,基准数据集,和最近的多阵列电生理记录从小鼠视觉皮层。
2022-04-12 q-bio.NC q-bio.QM stat.AP
Temporally Causal Discovery Tests for Discrete Time Series and Neural Spike Trains
本文提出一种时间因果发现检验方法,用于在存在混杂因素时检测离散时间序列间的因果关系,并在模拟和神经数据上验证了其有效性。
2023-11-17 cs.IT math.IT math.ST
Causal discovery for time series with latent confounders
University of Stuttgart(斯图加特大学)
重建我们观察到的现象背后的因果关系是所有科学领域的一个基本挑战。在复杂的系统中,通过实验发现因果关系通常是不可行的、不道德的或昂贵的。然而,计算能力的提高使我们能够处理现代科学产生的不断增长的数据量,从而对从观测数据中发现因果关系的问题产生了新的兴趣。这项工作评估的LPCMCI算法,其目的是找到一个多维的,高度自相关的时间序列兼容的发电机,而一些变量是未观察到的。我们发现,LPCMCI比随机算法模仿不知道什么,但仍然是远离最佳检测性能好得多。此外,LPCMCI在自动依赖项上表现最好,然后是同期依赖项,并且在滞后依赖项上表现最差。这个项目的源代码可以在线获得。
2022-09-07 cs.LG stat.ML
Learning Generalized Causal Structure in Time-series
Institute of Computer Science of the Czech Academy of Sciences(捷克科学院计算机科学研究所);Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校);National Institute of Advanced Studies(印度国家高等研究院)
因果关系科学通过提供数学工具来解释/确定系统实体之间的“因果”关系。尽管机器学习(ML)算法取得了巨大的成功和广泛的应用,但这些算法都是基于统计学习的。目前,他们还没有接近“类人”智能,因为他们无法回答和学习的基础上重要的“为什么?”“问题。因此,研究人员正试图将ML与因果关系科学相结合。在ML遇到的许多因果学习问题中,一个是这些算法对数据中的时间顺序或结构是愚蠢的。在这项工作中,我们开发了一个机器学习管道的基础上最近提出的“神经混沌”的特征学习技术(ChaosFEX特征提取器),这有助于我们学习广义混沌结构在给定的时间序列数据。
2021-12-06 cs.LG stat.ML
CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series
University of Lincoln(林肯大学);University of Padua(帕多瓦大学)
本文提出CAnDOIT方法,结合观测和干预时间序列数据重构因果模型,解决隐藏因素下仅靠观测数据难以识别因果关系的问题,并在合成数据和机器人操作基准上验证其能有效提升因果分析准确性。
2024-10-11 cs.AI cs.LG cs.RO
Data Generating Process to Evaluate Causal Discovery Techniques for Time Series Data
causaLens
超越相关性,理解和识别观测时间序列中的因果关系,因果发现的一个重要子领域,构成了一个重大挑战。由于无法获得真实世界数据的明确基础数据,因此需要依赖合成数据来评估这些方法。现有基准的范围有限,因为它们要么局限于“静态”选择数据集,要么不允许在违反通常假设的情况下对方法的性能进行粒度评估。我们提出了一个灵活和简单的使用框架,用于生成时间序列数据,其目的是开发,评估和基准测试时间序列因果发现方法。特别是,该框架可以用于在大量数据上微调新方法,而不会将它们“过度拟合”到基准,而是在现实世界的用例中表现良好。使用我们的框架,我们评估突出的时间序列因果发现方法,并证明了显着的性能下降时,他们的假设是无效的,他们的敏感性选择的超参数。最后,我们提出了未来的研究方向,以及我们的框架如何支持研究人员和从业人员。
2021-04-16 cs.LG stat.ML
Causal Discovery-Driven Change Point Detection in Time Series
Purdue University(普渡大学);Adobe Research(Adobe研究院)
针对多元时间序列中特定分量分布变化的变点检测问题,提出一种两阶段非参数算法,结合基于约束的因果发现与条件相对Pearson散度估计识别变点,放宽了传统IID假设并通过实验验证了有效性。
2025-07-12 cs.AI cs.LG stat.ML
Causal inference in time series in terms of Rényi transfer entropy
从观测数据中发现因果相关性是非线性时间序列分析的最大挑战之一。在本文中,我们讨论了这个问题的帮助下,信息理论的概念称为雷尼信息测度。特别是,我们解决了二元时间序列之间的方向性信息流的Rényi转移熵。我们表明,通过适当地选择雷尼$α$参数,我们可以控制信息,只在选定的部分之间的基础分布。这反过来又为量化时间序列中的因果相互依存关系提供了特别有力的工具,其中对“黑天鹅”事件(如尖峰或突然跳跃)的了解至关重要。在这方面,我们首先证明了对于高斯变量,格兰杰因果关系和雷尼转移熵是完全等价的。此外,我们还将此结果部分推广到重尾$α$ -高斯变量。这些结果允许建立自回归和雷尼熵基于信息理论的方法之间的联系,以数据驱动的因果推理。为了帮助我们的直觉,我们采用Leonenko等人。熵估计和分析Rényi信息流之间的二维时间序列产生的两个单向耦合的罗斯勒系统。值得注意的是,我们发现,雷尼转移熵不仅使我们能够检测到的同步阈值,但它也提供了一个非平凡的洞察到一个瞬态制度的结构之间存在的区域的混沌相关性和同步阈值。此外,从雷尼转移熵我们可以可靠地推断耦合的方向--从而推断因果关系,只有当耦合强度小于瞬态状态的起始值时,即当两个罗斯勒系统耦合,但还没有进入同步时。
2022-03-22 cs.IT math-ph math.IT
Regime Identification for Improving Causal Analysis in Non-stationary Timeseries
本文提出将区制识别技术应用于多变量非平稳时间序列,利用黎曼空间协方差矩阵划分局部平稳区段,并通过合成与真实数据验证了按区制分析可有效改进因果结构发现。
2024-04-12 stat.AP
Constraint- and Score-Based Nonlinear Granger Causality Discovery with Kernels
本文提出基于核方法的非线性格兰杰因果发现方法,通过统一框架提升因果识别性能,并引入高斯过程评分模型以改进时间序列因果发现。
2026-01-14 cs.LG stat.ML
TimeGraph: Synthetic Benchmark Datasets for Robust Time-Series Causal Discovery
Causal AI Lab University of Maryland, Baltimore County(因果AI实验室 乌尔利卡大学巴尔的摩县)
TimeGraph 提出了一套包含趋势、季节性、不规则采样和未观测混杂因素的合成时间序列因果发现基准数据集,并通过系统评估 PCMCI+、LPCMCI 和 FGES 等算法,揭示了现实时间条件下算法性能的显著差异。
2025-06-02 cs.IR cs.LG stat.ML
When do common time series estimands have nonparametric causal meaning?
本文提出直接潜在结果系统框架,为常见时间序列估计量(如脉冲响应函数、局部投影等)在观测数据中提供非参数因果解释的条件,奠定宏观经济冲击因果效应分析基础。
2025-01-22 econ.EM
Estimating the causal effect of an intervention in a time series setting: the C-ARIMA approach
鲁宾因果模型(RCM)是一个框架,允许将干预的因果效应定义为潜在结果的对比。近年来,在RCM下开发了几种方法来估计时间序列设置中的因果效应。这些模型都没有使用ARIMA模型,而ARIMA模型在计量经济学文献中非常常见。在本文中,我们提出了一种新的方法,C-ARIMA,定义和估计的因果关系的干预措施在RCM下的时间序列设置。我们首先形式化的假设,使定义,估计和归因的效果干预,然后我们检查所提出的方法的有效性与广泛的模拟研究,比较其性能对标准的干预分析方法。在实证应用中,我们使用C-ARIMA来评估永久性降价对超市销售的因果影响。CauseArima R包提供了我们提出的方法的实现。
2021-09-01 econ.EM