SpaceTime：从非平稳时间序列中进行因果发现
机器学习
2025-01-20 v1
摘要
理解因果关系具有挑战性，往往受到随时间和环境变化而变化的因果关系的复杂性制约。例如，气候模式随时间会出现周期性的季节性趋势，同时也取决于地理特征，如生态系统的可变性。现有方法要么假设平稳性，要么不允许同时考虑时间和空间分布的变化，要么不了解具有相同因果关系的地点。在本工作中，我们因此将非平稳多情境环境中因果图发现、重建时间制度以及将数据集和时间区间划分为不变因果关系成立的区间这三个任务统一起来。为构建该方法的一致性评分，我们采用最小描述长度原理。我们得到的算法 SPACETIME 同时考虑空间异质性和时间上的非平稳性。给定一个多个时间序列，算法发现制度变点并使用非参数函数建模和核化差异测试发现时间因果图。我们还展示了该方法为理解现实现象提供了见解，例如来自不同流域处于不同生态系统间的河流径流以及生物圈-大气相互作用。
引用
@article{arxiv.2501.10235,
title = {SpaceTime: Causal Discovery from Non-Stationary Time Series},
author = {Sarah Mameche and Lénaïg Cornanguer and Urmi Ninad and Jilles Vreeken},
journal= {arXiv preprint arXiv:2501.10235},
year = {2025}
}