MOCHA：发现时间点过程中的多阶动态因果关系
机器学习
2025-08-27 v1
摘要
发现时间点过程（TPP）中的复杂因果依赖关系对于建模现实世界的事件序列至关重要。现有方法通常依赖于静态或一阶因果结构，忽视了因果关系的多阶和时变特性。在本文中，我们提出了MOCHA，一个用于发现TPP中多阶动态因果关系的新颖框架。MOCHA将多阶影响表征为潜在时间演化图上的多跳因果路径。为建模此类动态，我们引入了一个具有可学习结构权重的时变有向无环图（DAG），并施加无环性和稀疏性约束以确保结构有效性。我们设计了一个端到端的可微框架，联合建模因果发现和TPP动态，从而实现准确的事件预测并揭示可解释的结构。在真实世界数据集上的大量实验表明，MOCHA不仅在事件预测方面达到了最先进的性能，还揭示了有意义且可解释的因果结构。
引用
@article{arxiv.2508.18873,
title = {MOCHA: Discovering Multi-Order Dynamic Causality in Temporal Point Processes},
author = {Yunyang Cao and Juekai Lin and Wenhao Li and Bo Jin},
journal= {arXiv preprint arXiv:2508.18873},
year = {2025}
}