CUTS+: High-dimensional Causal Discovery from Irregular Time-series
CUTS+：不规则时间序列中的高维因果发现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：摘要同时明确研究不规则高维时间序列和基于 Granger 因果的结构发现，因此对应时间序列与因果推断方法。
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…
CUTS+：不规则时间序列中的高维因果发现
- 研究问题
- 在高维时间序列存在缺失观测和不规则采样时，如何减少冗余网络与巨大因果图带来的困难，提高因果结构学习能力？
- 方法与思路
- 作者在基于 Granger 因果的 CUTS 上引入由粗到细的发现技术和消息传递图神经网络，以改善高维结构学习的扩展性。
- 材料陈述的贡献
- 摘要称 CUTS+ 在模拟、准真实和真实数据上，对不同不规则采样类型的高维因果发现表现有明显改善。
- 阅读关注点
- 应核对 Granger 因果的定义与解释、缺失和采样机制的处理，并检查图恢复评价、比较基线及计算规模是否一致。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供识别条件和数值结果，Granger 关系不能直接等同于干预因果效应。
原文摘要
Causal discovery in time-series is a fundamental problem in the machine learning community, enabling causal reasoning and decision-making in complex scenarios. Recently, researchers successfully discover causality by combining neural networks with Granger causality, but their performances degrade largely when encountering high-dimensional data because of the highly redundant network design and huge causal graphs. Moreover, the missing entries in the observations further hamper the causal structural learning. To overcome these limitations, We propose CUTS+, which is built on the Granger-causality-based causal discovery method CUTS and raises the scalability by introducing a technique called Coarse-to-fine-discovery (C2FD) and leveraging a message-passing-based graph neural network (MPGNN). Compared to previous methods on simulated, quasi-real, and real datasets, we show that CUTS+ largely improves the causal discovery performance on high-dimensional data with different types of irregular sampling.