高维事件序列的单次多标签因果发现
机器学习
2025-11-14 v2 人工智能
摘要
理解具有数千种稀疏事件类型的事件序列中的因果关系是医疗保健、网络安全或车辆诊断等领域的关键挑战，但现有方法难以扩展。我们提出了 OSCAR，一种单次因果自回归方法，通过使用两个预训练的 Transformer 作为密度估计器来推断每个序列的马尔可夫边界。这使得无需昂贵的全局 CI 测试即可进行高效、并行的因果发现。在一个真实世界的汽车数据集上包含 29,100 项事件和 474 个标签，OSCAR 在分钟内恢复可解释的因果结构，而经典方法无法扩展，从而在生产规模下实现实用的科学诊断。
关键词
引用
@article{arxiv.2509.23213,
title = {One-Shot Multi-Label Causal Discovery in High-Dimensional Event Sequences},
author = {Hugo Math and Robin Schön and Rainer Lienhart},
journal= {arXiv preprint arXiv:2509.23213},
year = {2025}
}
备注
Accepted at NeuRIPS2025 Workshop CauScien: Discovering Causality in Science. arXiv admin note: substantial text overlap with arXiv:2509.19112