Orientability of Causal Relations in Time Series using Summary Causal Graphs and Faithful Distributions
利用汇总因果图与忠实分布确定时间序列因果关系方向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：摘要直接研究观察时间序列中的因果发现、背景因果图与边方向识别。
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
利用汇总因果图与忠实分布确定时间序列因果关系方向
- 研究问题
- 完整时间因果结构未知、仅有专家提供的汇总因果图时，在何种条件下仍能确定微观时间变量之间的因果边方向？
- 方法与思路
- 作者结合汇总因果图背景知识与相对真实图忠实且因果充分的分布，推导微观边可定向的条件和理论保证。
- 材料陈述的贡献
- 摘要称即使汇总层面出现循环或双向边，也可在所给条件下保证部分微观边的定向，为时间序列因果发现提供指导。
- 阅读关注点
- 应核对汇总图与微观图之间的对应规则、忠实性和因果充分性的作用，以及哪些边可定向、哪些仍然无法确定。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未列完整定向条件，也未说明有限样本中如何可靠检验所需分布关系。
原文摘要
Understanding causal relations between temporal variables is a central challenge in time series analysis, particularly when the full causal structure is unknown. Even when the full causal structure cannot be fully specified, experts often succeed in providing a high-level abstraction of the causal graph, known as a summary causal graph, which captures the main causal relations between different time series while abstracting away micro-level details. In this work, we present conditions that guarantee the orientability of micro-level edges between temporal variables given the background knowledge encoded in a summary causal graph and assuming having access to a faithful and causally sufficient distribution with respect to the true unknown graph. Our results provide theoretical guarantees for edge orientation at the micro-level, even in the presence of cycles or bidirected edges at the macro-level. These findings offer practical guidance for leveraging SCGs to inform causal discovery in complex temporal systems and highlight the value of incorporating expert knowledge to improve causal inference from observational time series data.