面向智能体模型验证的鲁棒时间序列因果发现
机器学习
2026-02-24 v3 人工智能
计算工程、金融与科学
计量经济学
统计计算
摘要
智能体模型（ABM）验证至关重要，因为它有助于确保模拟的可靠性，因果发现已成为此背景下的强大工具。然而，当前的因果发现方法在应用于复杂且噪声较大的时间序列数据时常面临准确性和鲁棒性挑战，这在 ABM 场景中十分常见。本研究通过提出鲁棒交叉验证（RCV）方法来增强智能体模型验证中的因果结构学习。我们开发了 RCV-VarLiNGAM 和 RCV-PCMCI，两种对两个突出因果发现算法的新颖扩展。这旨在更好地减少噪声的影响，即使数据高度维度化和时变性，仍能提供更可靠的因果关系结果。该方法被集成到增强的 ABM 验证框架中，旨在处理多样化的数据和模型结构。该方法使用合成数据集和复杂的模拟 fMRI 数据集进行评估。结果表明在因果结构识别方面具有更高的可靠性。本研究考察了数据特征如何影响既定因果发现方法的性能。这些特征包括线性性、噪声分布、平稳性和因果结构密度。随后将这种分析扩展到 RCV 方法，以观察其在不同情形下的表现。这种检验有助于确认结果是否符合现有文献，也揭示了新方法的优势与不足。通过解决关键方法论挑战，本研究旨在以更具韧性的评估框架增强 ABM 验证。这些改进提高了在复杂系统分析中基于模型的决策过程的可靠性。
引用
@article{arxiv.2410.19412,
title = {Robust Time Series Causal Discovery for Agent-Based Model Validation},
author = {Gene Yu and Ce Guo and Wayne Luk},
journal= {arXiv preprint arXiv:2410.19412},
year = {2026}
}
备注
A peer-reviewed version titled "VCDF: A Validated Consensus-Driven Framework for Time Series Causal Discovery" is accepted to Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD) 2026. Please cite the PAKDD version