Linear scaling causal discovery from high-dimensional time series by dynamical community detection
通过动态社区检测实现高维时间序列的线性复杂度因果发现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：摘要明确研究高维时间序列及观察数据中的因果图发现，支持时间序列与因果推断分类，但未说明宏观经济应用。
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…
通过动态社区检测实现高维时间序列的线性复杂度因果发现
- 研究问题
- 在没有直接干预的高维动态系统中，能否通过识别相互影响的变量社区，降低构建因果图的计算成本并保持有用的因果结构？
- 方法与思路
- 作者优化信息不平衡指标识别动态社区，将社区视为图节点，再按自主社区到依赖社区的顺序组织，形成社区层面的因果图。
- 材料陈述的贡献
- 摘要称，该框架计算成本随变量数线性增长，并在最多含八十个变量的离散及连续时间动态系统中展示效率与准确性。
- 阅读关注点
- 应核对观察数据支持因果解释的条件、社区合并保留何种结构，以及线性复杂度所固定的量和准确性评价的真实图基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未提供完整因果识别条件，社区图结果也不能直接解释为每个变量间的因果关系。
原文摘要
Understanding which parts of a dynamical system cause each other is extremely relevant in fundamental and applied sciences. However, inferring causal links from observational data, namely without direct manipulations of the system, is still computationally challenging, especially if the data are high-dimensional. In this study we introduce a framework for constructing causal graphs from high-dimensional time series, whose computational cost scales linearly with the number of variables. The approach is based on the automatic identification of dynamical communities, groups of variables which mutually influence each other and can therefore be described as a single node in a causal graph. These communities are efficiently identified by optimizing the Information Imbalance, a statistical quantity that assigns a weight to each putative causal variable based on its information content relative to a target variable. The communities are then ordered starting from the fully autonomous ones, whose evolution is independent from all the others, to those that are progressively dependent on other communities, building in this manner a community causal graph. We demonstrate the computational efficiency and the accuracy of our approach on time-discrete and time-continuous dynamical systems including up to 80 variables.