Learning Causal Structure of Time Series using Best Order Score Search
利用最佳顺序得分搜索学习时间序列因果结构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：摘要直接研究具有时间依赖的动态贝叶斯网络及因果结构学习，因此选择时间序列和因果推断两个最相关方向。
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…
利用最佳顺序得分搜索学习时间序列因果结构
- 研究问题
- 多变量观测时间序列存在较强时间依赖时，如何通过基于得分的结构搜索学习因果关系，并兼顾理论正确性、计算扩展性和图恢复表现？
- 方法与思路
- 作者提出 TS-BOSS，在动态贝叶斯网络上执行基于排列的搜索，并用生长—收缩树缓存中间得分计算，结合理论分析与合成数据实验。
- 材料陈述的贡献
- 摘要称在适当假设下给出正确性保证并拓展动态图的子图极小性结果；高自相关模拟中，邻接召回率更高且精确率与约束方法相当。
- 阅读关注点
- 应核对动态网络的时间与同期结构设定、得分准则、正确性保证的完整假设，以及高自相关比较中的图规模和评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整因果识别条件、潜在混杂处理或具体实验数值，模拟表现不能替代实证识别。
原文摘要
Causal structure learning from observational data is central to many scientific and policy domains, but the time series setting common to many disciplines poses several challenges due to temporal dependence. In this paper we focus on score-based causal discovery for multivariate time series and introduce TS-BOSS, a time series extension of the recently proposed Best Order Score Search (BOSS) (Andrews et al. 2023). TS-BOSS performs a permutation-based search over dynamic Bayesian network structures while leveraging grow-shrink trees to cache intermediate score computations, preserving the scalability and strong empirical performance of BOSS in the static setting. We provide theoretical guarantees establishing the soundness of TS-BOSS under suitable assumptions, and we present an intermediate result that extends classical subgraph minimality results for permutation-based methods to the dynamic (time series) setting. Our experiments on synthetic data show that TS-BOSS is especially effective in high auto-correlation regimes, where it consistently achieves higher adjacency recall at comparable precision than standard constraint-based methods. Overall, TS-BOSS offers a high-performing, scalable approach for time series causal discovery and our results provide a principled bridge for extending sparsity-based, permutation-driven causal learning theory to dynamic settings.