TCD-Arena：评估时间序列因果发现方法在假设违反下的鲁棒性
机器学习
2026-05-06 v1
摘要
因果发现 (CD) 是一种强大的科学探究框架。然而，其实际应用受限于对强大且常不可验证假设的依赖，以及缺乏稳健性能评估。为此，我们提出 TCD-Arena，一个模块化、高度可定制和可扩展的测试套件，用于评估时间序列 CD 算法在逐步加剧的假设违反下的鲁棒性。作为演示，我们进行了大规模实证研究，涉及约 3000 万次单独的 CD 尝试，揭示了 33 种不同假设违反的细致鲁棒性轮廓。进一步，我们调查了 CD 集成，发现它们有望提高一般鲁棒性，这对实际应用具有启发意义。通过此举，我们致力于最终促进开发可靠的 CD 方法，这些方法适用于多样化的合成数据和潜在的真实世界数据条件。
引用
@article{arxiv.2605.03045,
title = {TCD-Arena: Assessing Robustness of Time Series Causal Discovery Methods Against Assumption Violations},
author = {Gideon Stein and Niklas Penzel and Tristan Piater and Joachim Denzler},
journal= {arXiv preprint arXiv:2605.03045},
year = {2026}
}