eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)
eCDANs：从自相关与非平稳数据中高效发现时序因果关系（学生摘要）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：摘要明确针对自相关、非平稳时间序列，并检测因果关系的时间变化。
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…
eCDANs：从自相关与非平稳数据中高效发现时序因果关系（学生摘要）
- 研究问题
- 面对自相关、非平稳和高维时间序列，如何同时发现滞后与同期因果关系，并识别这些关系随时间发生的变化？
- 方法与思路
- 作者提出基于约束的因果发现方法，优化条件独立检验的条件集合，并引入表示时间依赖的代理变量以识别关系变化。
- 材料陈述的贡献
- 摘要称 eCDANs 能检测滞后、同期关系及时间影响，并在合成与真实数据实验中优于基准方法，但未报告具体比较结果。
- 阅读关注点
- 应核对条件独立检验的适用条件、时间代理变量的含义，以及自相关与非平稳性如何处理，并检查因果方向的识别依据。
- 阅读边界
- 这是 arXiv 预印本且题名标为学生摘要，同行评审或期刊接收未核实；摘要未说明识别假设、检验细节和实验优势的范围。
原文摘要
Conventional temporal causal discovery (CD) methods suffer from high dimensionality, fail to identify lagged causal relationships, and often ignore dynamics in relations. In this study, we present a novel constraint-based CD approach for autocorrelated and non-stationary time series data (eCDANs) capable of detecting lagged and contemporaneous causal relationships along with temporal changes. eCDANs addresses high dimensionality by optimizing the conditioning sets while conducting conditional independence (CI) tests and identifies the changes in causal relations by introducing a surrogate variable to represent time dependency. Experiments on synthetic and real-world data show that eCDANs can identify time influence and outperform the baselines.