结构化门控与效应对齐的滞延解析时序因果发现框架及其在热-污染极端情形下的应用
机器学习
2026-04-14 v1
摘要
本研究提出了结构化门控与效应对齐的时序因果发现框架（SGED-TCD），这是一种用于复杂多变量时间序列的滞延解析因果发现的新方法。SGED-TCD 融合了显式结构门控、稳定性导向的学习、扰动-效应对齐和统一图提取，以提高推断因果图的可解释性、鲁棒性和功能一致性。为评估其在现实场景中的有效性，我们将SGED-TCD应用于中国东部和北部的热浪-空气污染极端事件。利用大规模气候指数、区域循环和边界层变量以及复合极端指标，框架重构了带有显式主导滞延和相对因果重要性的加权因果网络。推断网络揭示了清晰的区域和季节差异：东部中国的暖季极端事件主要通过循环、辐射和通风路径与低纬度海洋 variability 相关联，而北部中国的冷季极端事件则更strongly地受高纬度循环 variability 主导，这与边界层抑制和持久静止状态相关。这些结果表明，SGED-TCD 能够在挑战性的气候-环境系统中恢复可解释的、分层的、滞延解析的因果路径。更广泛地说，本文提出的框架不局限于当前的应用，为其他复杂领域的时序因果发现提供了通用基础。
引用
@article{arxiv.2604.10371,
title = {Structural Gating and Effect-aligned Lag-resolved Temporal Causal Discovery Framework with Application to Heat-Pollution Extremes},
author = {Rui Chen and Jinsong Wu},
journal= {arXiv preprint arXiv:2604.10371},
year = {2026}
}