通过一次性图聚合迈向高维事件序列中的实用多标签因果发现
机器学习
2025-12-15 v3 人工智能
摘要
理解事件序列中的因果关系——其中诸如疾病或系统故障的结果标签源于诸如症状或错误代码的先行事件——至关重要，但在医疗保健或车辆诊断等领域仍是一个未解决的挑战。我们引入了 CARGO，这是一种可扩展的多标签因果发现方法，适用于包含数千种独立事件类型的稀疏、高维事件序列。CARGO 使用两个预训练的因果 Transformer 作为事件序列的特定领域基础模型，按序列并行推断一次性因果图，并使用自适应频率融合对其进行聚合，以重构标签的全局马尔可夫边界。这种两阶段方法能够实现大规模的高效概率推理，同时规避了全数据集条件独立性检验难以处理的成本。我们在一个包含超过 29,100 种独立事件类型和 474 个不平衡标签的极具挑战性的真实世界汽车故障预测数据集上的结果，证明了 CARGO 执行结构化推理的能力。
引用
@article{arxiv.2509.19112,
title = {Towards Practical Multi-label Causal Discovery in High-Dimensional Event Sequences via One-Shot Graph Aggregation},
author = {Hugo Math and Rainer Lienhart},
journal= {arXiv preprint arXiv:2509.19112},
year = {2025}
}
备注
Accepted at NeurIPS2025 Workshop on Structured Probabilistic Inference and Generative Modeling