基于最佳顺序得分搜索的因果时序结构学习
机器学习
2026-03-06 v1 人工智能
统计方法学
摘要
从观测数据中学习因果结构是许多科学和政策领域的核心问题，但常见于许多学科的时序数据环境因涉及时间依赖性，带来了若干挑战。本文聚焦于多变量时序的基于得分的因果发现，引入TS-BOSS，即最近提出的最佳顺序得分搜索（BOSS）方法的时间序列扩展。TS-BOSS在动态贝叶斯网络结构上执行基于排列的搜索，同时利用生长-收缩树来缓存中间得分计算，保留了BOSS在静态情境下的可扩展性和优异实证性能。我们提供了理论保证，确立了TS-BOSS在满足适当假设条件下的可靠性，并提出了一种中间结果，将经典子图最小性结果推广至动态（时序）情境的排列方法。我们的合成数据实验表明，TS-BOSS在高自相关 regime 中尤为有效，在可比精度下持续实现更高的邻接召回率。总体而言，TS-BOSS提供了一种高性能、可扩展的时间序列因果发现方法，我们的结果为将稀疏性、基于排列的因果学习理论扩展至动态情境提供了原则性的桥梁。
引用
@article{arxiv.2603.05370,
title = {Learning Causal Structure of Time Series using Best Order Score Search},
author = {Irene Gema Castillo Mansilla and Urmi Ninad},
journal= {arXiv preprint arXiv:2603.05370},
year = {2026}
}