Causal Change Point Detection and Localization
因果变化点的检测与定位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：摘要直接研究线性依赖机制随时间发生的变化及其检测定位，并讨论因果解释条件，对应结构变化和因果推断。
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…
因果变化点的检测与定位
- 研究问题
- 观测响应及协变量随时间变化时，如何区分普通回归关系变化与生成响应的机制变化，并检测和定位后者发生的时间？
- 方法与思路
- 作者在响应依赖协变量子集的线性设定下，以观测不变性定义变化点，构造检测方法及定位损失，并结合现有多变化点算法。
- 材料陈述的贡献
- 摘要称，所定义的因果变化点构成回归变化点的子集，提出的方法能够检测和定位多个变化点，并通过模拟进行评价与展示。
- 阅读关注点
- 应核对观测不变性的定义、赋予其因果意义的额外假设、检测误差与定位条件，以及损失函数接入现有算法时的计算性质。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要明确其定义不依赖因果模型，只有额外假设下才有因果意义，具体假设未说明。
原文摘要
Detecting and localizing change points in sequential data is of interest in many areas of application. Various notions of change points have been proposed, such as changes in mean, variance, or the linear regression coefficient. In this work, we consider settings in which a response variable $Y$ and a set of covariates $X=(X^1,\ldots,X^{d+1})$ are observed over time and aim to find changes in the causal mechanism generating $Y$ from $X$. More specifically, we assume $Y$ depends linearly on a subset of the covariates and aim to determine at what time points either the dependency on the subset or the subset itself changes. We call these time points causal change points (CCPs) and show that they form a subset of the commonly studied regression change points. We propose general methodology to both detect and localize CCPs. Although motivated by causality, we define CCPs without referencing an underlying causal model. The proposed definition of CCPs exploits a notion of invariance, which is a purely observational quantity but -- under additional assumptions -- has a causal meaning. For CCP localization, we propose a loss function that can be combined with existing multiple change point algorithms to localize multiple CCPs efficiently. We evaluate and illustrate our methods on simulated datasets.