Causal-Audit：用于评估时间序列因果发现中假设违规风险的框架
机器学习
2026-04-06 v1
摘要
时间序列因果发现方法依赖于诸如平稳性、规则抽样和有界时间依赖性等假设。当这些假设被违反时，结构学习可能在没有警告的情况下产生自信但误导性的因果图。我们引入 Causal-Audit，一个将假设验证形式化为校准风险评估的框架。该框架在五个假设家族（平稳性、不规则性、持久性、非线性和混淆代理）上计算效应大小诊断，将其聚合为四个带有不确定性区间的校准风险分数，并应用一个在证据支持可靠推断时仅推荐方法（如 PCMCI+、基于 VAR 的 Granger 因果性）的 abstention-aware decision policy。半自动诊断阶段可独立用于单个研究中的结构化假设审计。在一个覆盖 10 个违规家族的 500 个数据生成过程（DGPs）的合成图谱上进行评估，结果显示风险分数已校准（AUROC > 0.95），在推荐数据集中错误阳性率降低 62%，在严重违规案例中拒绝率为 78%。在 TimeGraph（18 类别）和 CausalTime（3 个领域）的 21 个外部评估中，推荐或拒绝的决定在所有案例中都与基准规范一致。我们提供的开源实现可供使用。
引用
@article{arxiv.2604.02488,
title = {Causal-Audit: A Framework for Risk Assessment of Assumption Violations in Time-Series Causal Discovery},
author = {Marco Ruiz and Miguel Arana-Catania and David R. Ardila and Rodrigo Ventura},
journal= {arXiv preprint arXiv:2604.02488},
year = {2026}
}
备注
28 pages, 10 figures, 15 tables. Being submitted to Journal of Causal Inference JCI