Learning the Causal Structure of Networked Dynamical Systems under Latent Nodes and Structured Noise
潜在节点与结构化噪声下网络动态系统的因果结构学习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：摘要明确研究网络节点间的因果连接恢复，并处理潜在节点和噪声相关导致的虚假关联。
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…
潜在节点与结构化噪声下网络动态系统的因果结构学习
- 研究问题
- 仅观察线性网络动态系统的部分节点，且有色噪声造成虚假关联时，如何从节点时间序列恢复隐藏的因果连接？
- 方法与思路
- 作者为节点对构造特征向量，使连接与非连接节点对可被仿射超平面一致分隔，再通过特征聚类处理结构学习。
- 材料陈述的贡献
- 摘要称给出了结构一致性的技术保证，并以简单监督方法展示多种连接和噪声情形及真实网络上的竞争性表现。
- 阅读关注点
- 应核对特征构造、结构一致性成立的条件、潜在节点与噪声的限制，以及聚类步骤与监督评估之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未说明可识别网络范围、保证的具体条件或性能数值。
原文摘要
This paper considers learning the hidden causal network of a linear networked dynamical system (NDS) from the time series data at some of its nodes -- partial observability. The dynamics of the NDS are driven by colored noise that generates spurious associations across pairs of nodes, rendering the problem much harder. To address the challenge of noise correlation and partial observability, we assign to each pair of nodes a feature vector computed from the time series data of observed nodes. The feature embedding is engineered to yield structural consistency: there exists an affine hyperplane that consistently partitions the set of features, separating the feature vectors corresponding to connected pairs of nodes from those corresponding to disconnected pairs. The causal inference problem is thus addressed via clustering the designed features. We demonstrate with simple baseline supervised methods the competitive performance of the proposed causal inference mechanism under broad connectivity regimes and noise correlation levels, including a real world network. Further, we devise novel technical guarantees of structural consistency for linear NDS under the considered regime.