VCDF：一种经验证的共识驱动的时间序列因果发现框架
机器学习
2026-02-26 v1 人工智能
计算工程、金融与科学
摘要
时间序列因果发现是理解动态系统的关键任务，但许多现有方法对噪声、非平稳性和抽样变异性敏感。我们提出了经验证的共识驱动框架（VCDF），这是一种简单且对基元方法无修改的层， 通过评估在阻塞时间子集上的因果关系稳定性来提高鲁棒性。VCDF无需修改基元算法，可应用于VAR-LiNGAM和PCMCI等方法。合成数据集上的实验表明，VCDF将VAR-LiNGAM在窗口和摘要F1分数上提升了约0.08-0.12，提升在中等至长序列上最为显著。该框架也受益于更长的序列，在长度为1000及以上时可实现最高达0.18的绝对提升。在模拟fMRI数据和IT监控场景下的评估进一步表明，在真实噪声条件下，框架在稳定性和结构准确性方面具有优势。VCDF为时间序列因果发现提供了一种无需改变底层建模假设的有效可靠性层。
引用
@article{arxiv.2602.21381,
title = {VCDF: A Validated Consensus-Driven Framework for Time Series Causal Discovery},
author = {Gene Yu and Ce Guo and Wayne Luk},
journal= {arXiv preprint arXiv:2602.21381},
year = {2026}
}
备注
This paper has been accepted to PAKDD 2026. Please cite the proceedings version when available