Causal Discovery from Subsampled Time Series with Proxy Variables
利用代理变量从低频采样时间序列发现因果结构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：摘要直接研究低频采样时间序列中的隐藏变量、代理变量与因果结构识别。
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…
利用代理变量从低频采样时间序列发现因果结构
- 研究问题
- 当观测频率低于因果作用发生频率、未观测时点引入隐藏变量时，能否利用时间结构中的代理变量识别完整的因果关系？
- 方法与思路
- 作者将未观测时点的变量视为隐藏变量，以未来可观测时点的对应变量作为代理，提出基于约束的非参数因果发现算法。
- 材料陈述的贡献
- 摘要称该代理方法无需参数形式限制即可实现完整因果识别，并在合成与真实数据实验中体现理论优势，但未展开识别条件。
- 阅读关注点
- 应核对代理有效性、时序图结构及独立性假设、完整识别的精确含义，以及有限样本中条件检验与采样间隔的影响。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核验；摘要未说明完整识别所需假设，非参数性不能理解为无需识别条件。
原文摘要
Inferring causal structures from time series data is the central interest of many scientific inquiries. A major barrier to such inference is the problem of subsampling, i.e., the frequency of measurement is much lower than that of causal influence. To overcome this problem, numerous methods have been proposed, yet either was limited to the linear case or failed to achieve identifiability. In this paper, we propose a constraint-based algorithm that can identify the entire causal structure from subsampled time series, without any parametric constraint. Our observation is that the challenge of subsampling arises mainly from hidden variables at the unobserved time steps. Meanwhile, every hidden variable has an observed proxy, which is essentially itself at some observable time in the future, benefiting from the temporal structure. Based on these, we can leverage the proxies to remove the bias induced by the hidden variables and hence achieve identifiability. Following this intuition, we propose a proxy-based causal discovery algorithm. Our algorithm is nonparametric and can achieve full causal identification. Theoretical advantages are reflected in synthetic and real-world experiments.