Characterization of causal ancestral graphs for time series with latent confounders
含潜在混杂的时间序列因果祖先图刻画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。
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：摘要直接涉及多变量时间序列的滞后因果关系、未观测混杂及因果推断。
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…
关注这篇论文的作者
含潜在混杂的时间序列因果祖先图刻画
- 研究问题
- 在多变量时间序列存在未观测混杂时，如何表示特定时间滞后的因果关系与独立性，并提取现有图模型未充分表达的知识？
- 方法与思路
- 作者引入新的时间序列图模型类别，对其结构作完整刻画，并构造用于表示这些图的 Markov 等价类的图形表示。
- 材料陈述的贡献
- 摘要称，新图类是现用模型类的真子集，可在不增加假设的情况下支持更强因果推断，其等价类表示包含更多因果知识。
- 阅读关注点
- 应核对新旧图类共有的前提、真子集刻画与等价类定义，并明确更强因果推断具体对应哪些可确定的方向或关系。
- 阅读边界
- 依据所给 OpenAlex 摘要；未说明基础假设、图类细节或发现算法，不能将更多图上知识等同于一般因果效应识别。
原文摘要
In this paper, we introduce a novel class of graphical models for representing time-lag specific causal relationships and independencies of multivariate time series with unobserved confounders. We completely characterize these graphs and show that they constitute proper subsets of the currently employed model classes. As we show, from the novel graphs one can thus draw stronger causal inferences—without additional assumptions. We further introduce a graphical representation of Markov equivalence classes of the novel graphs. This graphical representation contains more causal knowledge than what current state-of-the-art causal discovery algorithms learn.