Interventional Time Series Priors for Causal Foundation Models
因果基础模型的干预时间序列先验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：摘要明确涉及干预效应估计及非线性自回归时间结构模型，因此对应因果推断与时间序列方法。
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
因果基础模型的干预时间序列先验
- 研究问题
- 面向时间序列的因果基础模型，如何获得同时包含观察数据与干预目标的合成训练数据，并检验其对未见机制的效应估计能力？
- 方法与思路
- 作者提出 CausalTimePrior，生成配对的观察与干预时间序列，支持可配置因果图、非线性自回归、状态切换及多种干预方式。
- 材料陈述的贡献
- 摘要称，使用该先验训练的先验数据拟合网络，可在留出的时间结构因果模型上进行上下文内效应估计，为相关基础模型提供路径。
- 阅读关注点
- 应核对结构模型与干预的生成规则、训练和测试机制的划分、效应目标的定义，以及先验覆盖范围对外推表现的影响。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核验。摘要未给出误差数值、真实数据验证或现实系统的识别保证，合成实验不能直接证明实际有效。
原文摘要
Prior-data fitted networks (PFNs) have emerged as powerful foundation models for tabular causal inference, yet their extension to time series remains limited by the absence of synthetic data generators that provide interventional targets. Existing time series benchmarks generate observational data with ground-truth causal graphs but lack the interventional data required for training causal foundation models. To address this, we propose \textbf{CausalTimePrior}, a principled framework for generating synthetic temporal structural causal models (TSCMs) with paired observational and interventional time series. Our prior supports configurable causal graph structures, nonlinear autoregressive mechanisms, regime-switching dynamics, and multiple intervention types (hard, soft, time-varying). We demonstrate that PFNs trained on CausalTimePrior can perform in-context causal effect estimation on held-out TSCMs, establishing a pathway toward foundation models for time series causal inference.