Causal Structural Learning from Time Series: A Convex Optimization Approach
时间序列因果结构学习：一种凸优化方法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：摘要明确研究观测时间序列中的因果图结构学习，对应因果推断与时间序列方法。
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…
时间序列因果结构学习：一种凸优化方法
- 研究问题
- 如何从观测时间序列学习有向无环图，并利用凸优化工具缓解现有连续优化结构学习中的非凸求解困难？
- 方法与思路
- 作者提出数据自适应的线性结构学习方法，借助单调算子的变分不等式表述，将时间序列结构学习转化为凸优化问题。
- 材料陈述的贡献
- 摘要称建立了该方法的非渐近结构恢复保证，并通过广泛数值实验报告其结构恢复表现优于所比较的现有方法。
- 阅读关注点
- 应核对时间依赖和因果识别条件、无环约束如何处理，以及非渐近恢复保证的适用范围与实验比较设置。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未说明识别条件、恢复误差界及实验细节，不能据此确认普遍优势。
原文摘要
Structural learning, which aims to learn directed acyclic graphs (DAGs) from observational data, is foundational to causal reasoning and scientific discovery. Recent advancements formulate structural learning into a continuous optimization problem; however, DAG learning remains a highly non-convex problem, and there has not been much work on leveraging well-developed convex optimization techniques for causal structural learning. We fill this gap by proposing a data-adaptive linear approach for causal structural learning from time series data, which can be conveniently cast into a convex optimization problem using a recently developed monotone operator variational inequality (VI) formulation. Furthermore, we establish non-asymptotic recovery guarantee of the VI-based approach and show the superior performance of our proposed method on structure recovery over existing methods via extensive numerical experiments.