Causal Graph Discovery from Self and Mutually Exciting Time Series
从自激与互激时间序列中发现因果图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：摘要明确以时间序列为对象恢复结构因果模型中的有向无环图，因此归入因果推断和时间序列方法。
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…
从自激与互激时间序列中发现因果图
- 研究问题
- 研究如何从具有自激与互激特征的时间序列中恢复因果有向无环图，同时量化图结构估计的不确定性。
- 方法与思路
- 作者结合广义线性结构因果模型与数据自适应线性正则化，利用随机单调变分不等式构造凸优化，并通过线性规划建立置信区间。
- 材料陈述的贡献
- 摘要称给出非渐近恢复保证及多种非线性单调链接函数下的置信区间，并在模拟和脓毒症相关异常数据中展示方法表现。
- 阅读关注点
- 应核对因果方向识别与无环性所需条件、时间依赖如何处理，以及恢复保证、置信区间和临床预测比较的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明具体识别条件，预测表现也不足以验证所得图的因果解释。
原文摘要
We present a generalized linear structural causal model, coupled with a novel data-adaptive linear regularization, to recover causal directed acyclic graphs (DAGs) from time series. By leveraging a recently developed stochastic monotone Variational Inequality (VI) formulation, we cast the causal discovery problem as a general convex optimization. Furthermore, we develop a non-asymptotic recovery guarantee and quantifiable uncertainty by solving a linear program to establish confidence intervals for a wide range of non-linear monotone link functions. We validate our theoretical results and show the competitive performance of our method via extensive numerical experiments. Most importantly, we demonstrate the effectiveness of our approach in recovering highly interpretable causal DAGs over Sepsis Associated Derangements (SADs) while achieving comparable prediction performance to powerful ``black-box'' models such as XGBoost. Thus, the future adoption of our proposed method to conduct continuous surveillance of high-risk patients by clinicians is much more likely.