Shylock：基于混合约束的多变量时间序列因果发现
人工智能
2025-10-27 v1
摘要
因果关系发现正日益受到关注 due to its prevalent application。现有方法依赖人类经验、统计方法或图形准则方法，这些方法容易出错、建立在理想化假设之上，并且需要大量数据。此外，许多领域存在严重的数据缺口，难以获取多变量时间序列（MTS），这使得寻找其因果关系更加困难。现有方法容易在这些数据上过拟合。为填补上述差距，本文提出了 Shylock，一种 novel method 能在 few-shot 和 normal MTS 两种情况下有效地寻找因果关系。Shylock 通过使用 group dilated convolution 和共享卷积核，将参数数量指数级减少，同时仍能学习带时间延迟的变量的更好表征。通过结合全局约束和局部约束，Shylock 实现了网络之间的信息共享，以帮助提高准确率。为评估 Shylock 的性能，我们还设计了一种数据生成方法，用于生成带时间延迟的 MTS。我们在常用基准和生成数据集上进行评估。广泛的实验表明，Shylock 在 few-shot 和 normal MTS 两种情况下均优于两个现有 state-of-the-art 方法。我们还开发了 Tcausal，一个便于使用的库，并将其部署在 EarthDataMiner 平台上。
引用
@article{arxiv.2510.21181,
title = {Shylock: Causal Discovery in Multivariate Time Series based on Hybrid Constraints},
author = {Shuo Li and Keqin Xu and Jie Liu and Dan Ye},
journal= {arXiv preprint arXiv:2510.21181},
year = {2025}
}