针对现实时间序列的鲁棒因果发现：基于幂律分布的方法
机器学习
2026-02-19 v3 数据分析、统计与概率
机器学习
其他统计学
摘要
探索随机时间序列中的因果关系是一项具有广泛应用场景的具有挑战性且至关重要的任务，涵盖金融、经济、神经科学和气候科学等领域。尽管已提出许多因果发现（Causal Discovery, CD）算法，但它们往往对噪声高度敏感，导致在实际数据中出现虚假的因果推断。本文观察到，许多现实时间序列的频谱遵循幂律分布，尤其是由于内在的自组织行为。基于此洞察，我们构建了一种基于从幂律谱特征中提取信号，以放大真实因果信号的鲁棒CD方法。该方法在包含已知因果结构的合成基准和现实数据集上均 consistently 优于当前最先进的方法，展示了其鲁棒性和实际应用价值。
引用
@article{arxiv.2507.12257,
title = {Robust Causal Discovery in Real-World Time Series with Power-Laws},
author = {Matteo Tusoni and Giuseppe Masi and Andrea Coletta and Aldo Glielmo and Viviana Arrigoni and Novella Bartolini},
journal= {arXiv preprint arXiv:2507.12257},
year = {2026}
}