Investigating Sindy As a Tool For Causal Discovery In Time Series Signals
探究 SINDy 作为时间序列信号因果发现工具的潜力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：摘要同时以时间序列动力学识别和因果发现为研究对象，因此选择时间序列与因果推断。
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
探究 SINDy 作为时间序列信号因果发现工具的潜力
- 研究问题
- 能够从时间序列识别动力系统方程的 SINDy，是否也可用于因果发现，以及已有因果发现工具能否改善其稀疏建模和系统识别？
- 方法与思路
- 作者讨论 SINDy 与因果发现的结合，利用既有因果发现工具增强算法，并通过经验实验展示学习具有因果稳健性的动力学方程。
- 材料陈述的贡献
- 摘要称，引入因果发现工具能够显著改善 SINDy 的稳健稀疏建模与系统识别表现，为工程系统学习因果稳健方程提供工具。
- 阅读关注点
- 应核对动力学方程与因果关系之间的对应条件、增强算法的具体步骤，以及因果稳健性的评价标准、实验扰动和比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未提供识别假设、理论保证或改善数值，方程拟合效果不能单独证明因果正确性。
原文摘要
The SINDy algorithm has been successfully used to identify the governing equations of dynamical systems from time series data. In this paper, we argue that this makes SINDy a potentially useful tool for causal discovery and that existing tools for causal discovery can be used to dramatically improve the performance of SINDy as tool for robust sparse modeling and system identification. We then demonstrate empirically that augmenting the SINDy algorithm with tools from causal discovery can provides engineers with a tool for learning causally robust governing equations.