Causal Discovery from Temporal Data: An Overview and New Perspectives
时序数据中的因果发现：综述与新视角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：摘要明确覆盖多变量时间序列的因果发现，同时讨论事件序列；未限定宏观经济应用。
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…
时序数据中的因果发现：综述与新视角
- 研究问题
- 多变量时间序列与事件序列中的因果发现有哪些联系，如何将两类研究纳入统一综述，并比较已有方法的评价方式？
- 方法与思路
- 作者依据时间数据是否经过校准区分两类因果发现任务，梳理两者关联及现有方案，并介绍公开数据集、评价指标和新视角。
- 材料陈述的贡献
- 摘要称，综述补充了以往偏重时间序列、忽略事件序列的覆盖缺口，提供跨两类任务的系统梳理与研究资源介绍。
- 阅读关注点
- 应核对时间校准的具体含义、各方法对因果关系的定义与假设，以及公开数据的真值来源和评价指标能否比较不同任务。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出具体算法、数据集和识别条件，不能据此判断方法的因果可靠性。
原文摘要
Temporal data, representing chronological observations of complex systems, has always been a typical data structure that can be widely generated by many domains, such as industry, medicine and finance. Analyzing this type of data is extremely valuable for various applications. Thus, different temporal data analysis tasks, eg, classification, clustering and prediction, have been proposed in the past decades. Among them, causal discovery, learning the causal relations from temporal data, is considered an interesting yet critical task and has attracted much research attention. Existing causal discovery works can be divided into two highly correlated categories according to whether the temporal data is calibrated, ie, multivariate time series causal discovery, and event sequence causal discovery. However, most previous surveys are only focused on the time series causal discovery and ignore the second category. In this paper, we specify the correlation between the two categories and provide a systematical overview of existing solutions. Furthermore, we provide public datasets, evaluation metrics and new perspectives for temporal data causal discovery.