Use of Prior Knowledge to Discover Causal Additive Models with Unobserved Variables and its Application to Time Series Data
利用先验知识发现含未观测变量的因果加性模型及其时间序列应用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：摘要明确研究潜在混杂下的因果发现，并提出利用时间先后约束的时间序列扩展，因此对应因果推断和时间序列。
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
利用先验知识发现含未观测变量的因果加性模型及其时间序列应用
- 研究问题
- 在允许潜在混杂的因果加性模型中，如何利用不可能的因果方向等先验知识提高发现效率，并扩展到时间序列数据？
- 方法与思路
- 作者在 CAM-UV 中加入排除特定因果方向的知识，再结合原因在时间上先于结果的约束，构建时间序列因果发现算法。
- 材料陈述的贡献
- 摘要提出两种方法，模拟显示增加先验知识可提高发现准确率，并使用模拟与真实数据将时间序列扩展同既有方法比较。
- 阅读关注点
- 应核对潜在混杂下的识别条件、先验知识的编码方式，以及错误先验、时间滞后设定和比较基线如何影响发现结果。
- 阅读边界
- 这是预印本，同行评审及期刊接收均未核实。摘要未说明完整识别条件和比较数值，时间先后约束本身不足以排除混杂。
原文摘要
This paper proposes two methods for causal additive models with unobserved variables (CAM-UV). CAM-UV assumes that the causal functions take the form of generalized additive models and that latent confounders are present. First, we propose a method that leverages prior knowledge for efficient causal discovery. Then, we propose an extension of this method for inferring causality in time series data. The original CAM-UV algorithm differs from other existing causal function models in that it does not seek the causal order between observed variables, but rather aims to identify the causes for each observed variable. Therefore, the first proposed method in this paper utilizes prior knowledge, such as understanding that certain variables cannot be causes of specific others. Moreover, by incorporating the prior knowledge that causes precedes their effects in time, we extend the first algorithm to the second method for causal discovery in time series data. We validate the first proposed method by using simulated data to demonstrate that the accuracy of causal discovery increases as more prior knowledge is accumulated. Additionally, we test the second proposed method by comparing it with existing time series causal discovery methods, using both simulated data and real-world data.