基于干预的时间序列因果发现：通过模拟器生成的干预分布
机器学习
2026-05-12 v1 人工智能
摘要
我们提出了 SVAR-FM（具有流匹配的结构向量自回归），一个用于时间序列因果发现的框架，该框架将基于物理的模拟器视为 Pearl 的 do 算子的力学实现。在模拟器内部钳位变量会在物理上切断混淆路径，从而在构造上产生干预数据。随后，条件流匹配学习非线性干预条件概率。在理论上，我们证明了在模拟器可钳位变量的覆盖条件下，完整的结构 VAR 变得可识别，并推导出一个端到端误差界限，其分解为 Monte Carlo、模拟器保真度和流匹配项。一个符号翻转推论预测，当模拟器精度降至阈值以下时，估计的因果效应会反转符号。实验上，跨越四个科学领域的基准测试证实，在观测方法因混淆产生符号反转的估计之处，SVAR-FM 恢复了正确的因果符号。在超快激光物理中的案例研究通过物理上改变第一性原理量子求解器的精度级别验证了符号翻转预测：低精度设置反转了因果符号，而高精度设置恢复了正确方向（R 平方 = 0.983，零偏差）。
引用
@article{arxiv.2605.09870,
title = {Intervention-Based Time Series Causal Discovery via Simulator-Generated Interventional Distributions},
author = {Tsuyoshi Okita},
journal= {arXiv preprint arXiv:2605.09870},
year = {2026}
}
备注
54 pages, 6 figures