Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series
Causal-TS：高维与非平稳时间序列因果发现的 Python 库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：摘要明确针对非平稳多变量时间序列，并通过结构断点检测开展分区间分析。
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
Causal-TS：高维与非平稳时间序列因果发现的 Python 库
- 研究问题
- 如何为高维、非平稳多变量时间序列提供统一的因果发现工具，并衔接结构断点识别、分区间建模与因果效应估计？
- 方法与思路
- 作者整合多种发现算法及封装接口，共享可由 PyTorch 加速的条件独立检验层，并按检测到的结构区间分别开展发现。
- 材料陈述的贡献
- 摘要介绍统一算法接口、区间发现流程、命令行和模拟数据工具，并称可选 DoWhy 集成支持衔接因果效应估计。
- 阅读关注点
- 应核对各算法的识别假设、条件独立检验适用性、断点误差如何影响发现结果，以及图发现到效应估计所需的额外条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未经核实；摘要未报告准确率或比较结果，所述安装与版本兼容情况也未经独立核验。
原文摘要
We describe Causal-TS, an open-source Python library for causal discovery in high-dimensional and nonstationary multivariate time series. Causal-TS provides four specialized algorithms-CDNOTS, CDNOTS+, CEDAR, and GRACE-along with wrappers for GES, Granger, LASSO-VAR, and LGES, all sharing a unified conditional independence (CI) test layer with GPU acceleration via PyTorch. A regime discovery pipeline detects structural breaks via pluggable changepoint detectors and runs discovery per regime with regime-specific parameters. A command-line interface, synthetic data generators, and optional DoWhy integration provide an end-to-end pipeline from raw time series to causal effect estimates. The library is pip-installable, tested on Python 3.10--3.12, and available at https://github.com/bloomberg/causal-ts.