Learning domain-specific causal discovery from time series
从时间序列学习领域特定的因果发现方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究时间序列的监督式因果发现，并比较多种因果结构学习方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
从时间序列学习领域特定的因果发现方法
- 研究问题
- 当某个领域能够提供大量已知因果关系的训练数据时，能否通过监督学习获得比通用人工设计方法更适合该领域的因果发现程序？
- 方法与思路
- 作者采用数据驱动的领域特定学习思路，在微处理器、模拟脑成像和基因数据中，与互信息、VAR-LiNGAM 和格兰杰方法比较。
- 材料陈述的贡献
- 摘要称所研究程序在三个数据集上显著优于所列通用方法，并据此倡议在可获得因果标签的领域探索监督式因果发现。
- 阅读关注点
- 应核对监督标签的来源、训练与测试划分、因果发现指标及比较方法调参，并检查领域外泛化和训练标签不足时的表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实。摘要未说明算法细节和数值，三个数据集的比较不足以证明普遍优越性。
原文摘要
Causal discovery (CD) from time-varying data is important in neuroscience, medicine, and machine learning. Techniques for CD encompass randomized experiments, which are generally unbiased but expensive, and algorithms such as Granger causality, conditional-independence-based, structural-equation-based, and score-based methods that are only accurate under strong assumptions made by human designers. However, as demonstrated in other areas of machine learning, human expertise is often not entirely accurate and tends to be outperformed in domains with abundant data. In this study, we examine whether we can enhance domain-specific causal discovery for time series using a data-driven approach. Our findings indicate that this procedure significantly outperforms human-designed, domain-agnostic causal discovery methods, such as Mutual Information, VAR-LiNGAM, and Granger Causality on the MOS 6502 microprocessor, the NetSim fMRI dataset, and the Dream3 gene dataset. We argue that, when feasible, the causality field should consider a supervised approach in which domain-specific CD procedures are learned from extensive datasets with known causal relationships, rather than being designed by human specialists. Our findings promise a new approach toward improving CD in neural and medical data and for the broader machine learning community.