基于局部因果父节点发现的时间序列结构学习
摘要
一篇新论文提出了迭代时间父节点发现(ITPD),这是一种可靠且完备的基于约束的方法,用于在具有因果非平稳性的多变量时间序列中学习因果结构。该方法采用从局部到全局的策略,以低阶条件独立性检验替代高阶检验。基准测试表明,ITPD 在 F1 分数和运行时间方面处于帕累托前沿,在包含 2000 个节点的图上,运行速度最高可达 PCMCI 的 40.9 倍。
查看缓存全文
缓存时间: 2026/11/21 03:38
论文页面 - 基于局部因果父节点发现的时间序列结构学习
来源:https://huggingface.co/papers/2611.26232 发表于11月19日
·
提交者:https://huggingface.co/Shuwan
Shu (https://huggingface.co/Shuwan)于11月20日
摘要
时间序列的学习与推断可能面临重大的统计挑战,包括观测值的自相关性、分布随时间的偏移以及维数灾难。这些挑战使因果发现算法的实际应用更加复杂,而此类算法在一般情况下本就具有较高的计算复杂度和样本复杂度。为缓解这些问题,本研究提出了迭代时间父节点发现(ITPD):一种可靠且完备的基于约束的方法,用于具有因果非平稳性的多变量时间序列的因果结构学习。ITPD采用从局部到全局的学习方法,通过依次发现每个变量的父节点集合来发现全局图。ITPD利用时间结构先验、图划分和局部马尔可夫条件,以低阶条件独立性检验替代高阶检验。在使用精确预言机时,与基线方法相比,ITPD执行的检验次数最少,使用的条件集平均大小也最小。在基准仿真实验中,ITPD在F1分数和实际运行时间方面位于帕累托前沿,并且在大规模图(≥1000个节点)上比基线方法更快。对于包含2000个节点的图,ITPD的运行速度分别为迭代IAMB、DF-PC和PCMCI的2.3倍、9.1倍和40.9倍。
查看arXiv页面 (https://arxiv.org/abs/2611.26232)查看PDF (https://arxiv.org/pdf/2611.26232)GitHub0 (https://github.com/jmaasch/itpd)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2611.26232)
在你的智能体中获取这篇论文:
hf papers read 2611\.26232
还没有最新版CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用这篇论文的模型0
尚无模型关联这篇论文
在模型的README.md中引用arxiv.org/abs/2611.26232,即可从此页面关联该模型。
引用这篇论文的数据集0
尚无数据集关联这篇论文
在数据集的README.md中引用arxiv.org/abs/2611.26232,即可从此页面关联该数据集。
引用这篇论文的Spaces0
尚无Space关联这篇论文
在Space的README.md中引用arxiv.org/abs/2611.26232,即可从此页面关联该Space。
包含这篇论文的合集0
尚无合集包含这篇论文
将这篇论文添加到合集 (https://huggingface.co/new-collection),即可从此页面关联该合集。
相似文章
TTCD:基于Transformer的非平稳时间序列数据集成时序因果发现
本文介绍了TTCD,这是一种新颖的框架,利用基于Transformer的特征学习和重建引导的信号蒸馏,从非平稳时间序列数据中进行时序因果发现。
基于倒置自注意力的多元时间序列因果发现
本文提出了一种利用倒置自注意力机制进行多元时间序列因果发现的新框架,引入了因果自注意力模块(CSAM)和全局因果算法,以识别潜在因果联系并减少虚假相关。
MOSAIC:通过稀疏可加可识别因果学习在科学时间序列中进行模块发现
本文介绍了 MOSAIC,这是一种用于科学时间序列中模块发现的方法,它将因果表征学习与稀疏可加可识别因果学习相结合。其目标是在无需事后对齐的情况下,恢复可解释的潜在变量及其关联观测值,并在分子动力学和气候数据等领域进行了验证。
用于地理临界点早期预警的SpatioTemporal Causal Network Diagnostics
本文介绍了SpatioTemporal Causal Network Diagnostics (ST-CND)框架,该框架利用数据驱动的因果网络和动态模态分解,为地理临界点提供局部早期预警,在合成和观测基准上优于经典空间指标。
带潜在混杂因子的循环线性高斯模型的可微结构学习
一篇关于在含定向环与潜在混杂因子的线性高斯结构因果模型中学习因果结构的论文,提出了边际准等价性(marginal quasi-equivalence)以及一种带有一致复杂度惩罚的可微伯努利门参数化方法。