环境时间序列中的分布式动态不变因果预测
机器学习
2026-03-04 v1
摘要
从带有环境属性的时间序列数据中提取不变因果关系对于气候科学和环境监测等领域的稳健决策至关重要。然而，现有方法要么侧重于在不利用环境背景的情况下进行动态因果分析，要么关注静态不变因果推断，导致在分布式时序设置中存在空白。本文提出了一种名为 DisDy-ICPT 的新型框架，即分布式动态不变因果预测时序 (DisDy-ICPT)，该框架在不要求数据通信的情况下学习随时间演化的因果关系，并缓解空间混杂变量。我们在标准抽样假设下理论证明了 DisDy-ICPT 在有限的通信轮数内可恢复稳定的因果预测器。在合成基准和环境分段的真实数据集上的经验评估表明，DisDy-ICPT 在预测稳定性和准确性方面优于基线方法 A 和 B。我们的ethods 提供了在碳素监测和天气预报等领域的有前景的应用。未来的工作将 DisDy-ICPT 扩展到在线学习场景。
引用
@article{arxiv.2603.02902,
title = {Distributed Dynamic Invariant Causal Prediction in Environmental Time Series},
author = {Ziruo Hao and Tao Yang and Xiaofeng Wu and Bo Hu},
journal= {arXiv preprint arXiv:2603.02902},
year = {2026}
}