Causal Discovery on Irregular Time Series
不规则时间序列的因果发现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：摘要直接研究不规则时间序列中的因果图发现与时间依赖建模。
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
不规则时间序列的因果发现
- 研究问题
- 对不规则采样的事件流，如何摆脱固定离散滞后结构进行因果发现，并评估时间窗口聚合能否恢复已知的因果关系图？
- 方法与思路
- 作者扩展用于规则多变量时间序列的 PCMCI+，以预设时间窗口聚合因果影响，在不同信噪比的合成不规则事件流上进行比较。
- 材料陈述的贡献
- 摘要称，所提方法在模拟中持续恢复底层因果图，并在不规则采样数据上明显优于标准 PCMCI+，拓展了该方法的采样适用范围。
- 阅读关注点
- 应核对时间窗口如何选取、聚合是否混合不同方向或时序的影响，以及因果发现所需假设、采样机制和评价指标。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要仅报告合成数据表现，未说明完整因果假设或真实事件流中的识别与稳健性。
原文摘要
Causal discovery methods have shown strong performance in temporal systems, but they typically rely on regular and discrete lag structures, limiting their applicability to regularly sampled data. However, many real-world tasks require dealing with irregularly sampled streams of events, such as sensor streams, healthcare data, and financial transactions. In this work, we propose an extension of PCMCI+, a state-of-the-art method for causal discovery on regular multivariate time series, to allow for handling irregular time series. Instead of modelling causal relations through fixed-lag dependencies, our method aggregates causal influence over predefined temporal windows. We evaluate our method on synthetic irregular event streams with known causal structures under different signal-to-noise ratios, showing that it consistently recovers the underlying causal graph and substantially outperforms the standard PCMCI+ on irregularly sampled data.