CUTS: Neural Causal Discovery from Irregular Time-Series Data
CUTS：从不规则时间序列中进行神经网络因果发现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：摘要明确研究不规则时间序列与格兰杰关系发现，直接对应时间序列方法。
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…
CUTS：从不规则时间序列中进行神经网络因果发现
- 研究问题
- 当时间序列存在随机缺失或不均匀采样时，如何联合补全未观测数据与学习格兰杰因果图，减轻规则输入要求造成的性能下降？
- 方法与思路
- 作者提出迭代框架：用延迟监督图神经网络预测并补全潜在数据，再基于补全数据和稀疏惩罚拟合因果邻接矩阵，使两阶段相互促进。
- 材料陈述的贡献
- 摘要称，CUTS 能从非规则时间序列恢复因果图，实验表现显著优于既有方法；具体提升幅度、比较方法及统计证据未在摘要中列出。
- 阅读关注点
- 应核对缺失机制、采样时间的处理与格兰杰关系的定义，并检查补全误差如何影响图恢复，以及实验如何构造真值和评估比较公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明图恢复条件；格兰杰预测关系也不能仅凭该摘要解释为干预意义的因果效应。
原文摘要
Causal discovery from time-series data has been a central task in machine learning. Recently, Granger causality inference is gaining momentum due to its good explainability and high compatibility with emerging deep neural networks. However, most existing methods assume structured input data and degenerate greatly when encountering data with randomly missing entries or non-uniform sampling frequencies, which hampers their applications in real scenarios. To address this issue, here we present CUTS, a neural Granger causal discovery algorithm to jointly impute unobserved data points and build causal graphs, via plugging in two mutually boosting modules in an iterative framework: (i) Latent data prediction stage: designs a Delayed Supervision Graph Neural Network (DSGNN) to hallucinate and register unstructured data which might be of high dimension and with complex distribution; (ii) Causal graph fitting stage: builds a causal adjacency matrix with imputed data under sparse penalty. Experiments show that CUTS effectively infers causal graphs from unstructured time-series data, with significantly superior performance to existing methods. Our approach constitutes a promising step towards applying causal discovery to real applications with non-ideal observations.