用于反事实验证的时间链接预测因果时序互动图生成
机器学习
2026-02-03 v1 系统与控制
系统与控制
摘要
时间链接预测（TLP）模型通常基于预测准确率进行评估，而此类评估并不检验这些模型是否捕捉了支配时间性互动的因果机制。本文提出了一个通过生成具有已知因果结构的因果时序互动图（CTIGs）进行 TLP 模型反事实验证的框架。我们首先引入一个用于连续时间事件序列的结构方程模型，支持激发效应和抑制效应，然后将此机制扩展到时序互动图。为比较因果模型，我们提出一种基于跨模型预测误差的距离度量，并经验性地验证了在评估足够远离的模型时，训练于一个因果模型的预测器会发生性能下降的假设。最后，我们在（i）生成模型之间的受控因果偏移和（ii）时间戳随机扰动作为可测量因果距离的随机扰动下实现反事实评估。我们的框架为因果感知基准测试提供了基础。
引用
@article{arxiv.2602.02161,
title = {Generating Causal Temporal Interaction Graphs for Counterfactual Validation of Temporal Link Prediction},
author = {Aniq Ur Rahman and Justin P. Coon},
journal= {arXiv preprint arXiv:2602.02161},
year = {2026}
}