TimeGraph：用于鲁棒时间序列因果发现的合成基准数据集
机器学习
2025-06-03 v1 信息检索
机器学习
摘要
时间序列数据集中的鲁棒因果发现依赖于具有已知真实因果关系的可靠基准数据集。然而，此类数据集仍然稀缺，现有的合成替代方案往往忽略了真实世界数据中固有的关键时间属性，包括由趋势和季节性驱动的非平稳性、不规则采样间隔以及未观测混杂因子的存在。为了应对这些挑战，我们引入了 TimeGraph，这是一套全面的合成时间序列基准数据集，系统地结合了线性和非线性依赖关系，同时对趋势、季节效应和异构噪声模式等关键时间特征进行了建模。每个数据集都附带一个完全指定的因果图，具有不同的密度和多样的噪声分布，并提供两个版本：一个包含未观测混杂因子，一个不包含，从而在保持方法中立性的同时，对真实世界的复杂性提供了广泛的覆盖。我们进一步通过对最先进的因果发现算法（包括 PCMCI+、LPCMCI 和 FGES）在各种配置和指标上的系统评估，展示了 TimeGraph 的实用性。我们的实验揭示了在现实时间条件下算法性能的显著差异，凸显了在公平透明地评估因果发现方法时对鲁棒合成基准的需求。完整的 TimeGraph 套件，包括数据集生成脚本、评估指标和推荐的实验协议，均可免费获取，以促进可复现研究并推动时间序列因果发现领域由社区驱动的进步。
引用
@article{arxiv.2506.01361,
title = {TimeGraph: Synthetic Benchmark Datasets for Robust Time-Series Causal Discovery},
author = {Muhammad Hasan Ferdous and Emam Hossain and Md Osman Gani},
journal= {arXiv preprint arXiv:2506.01361},
year = {2025}
}
备注
11 pages, 4 figures, accepted at KDD 2025 (Datasets and Benchmarks Track)