SC3D: Dynamic and Differentiable Causal Discovery for Temporal and Instantaneous Graphs
SC3D：时序与即时因果图的动态可微发现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：摘要直接研究多变量时间序列的滞后与即时结构，并使用 SVAR 等动态系统检验，最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…
SC3D：时序与即时因果图的动态可微发现
- 研究问题
- 多变量时间序列同时存在多个滞后和即时依赖时，如何降低动态图搜索的组合复杂度，并稳定恢复不同时间层次的因果结构？
- 方法与思路
- 作者提出两阶段可微框架：先通过逐节点预测预筛滞后与即时边，再优化带稀疏约束的似然，并对即时图施加无环约束。
- 材料陈述的贡献
- 摘要称方法可联合学习各滞后邻接矩阵与即时有向无环图，并在多类模拟和真实数据中相对基准表现出更稳定、准确的结构恢复。
- 阅读关注点
- 核对时间序列因果图的可识别条件、预筛是否遗漏真实边、似然与无环约束的实现，以及非平稳和非线性实验的评价基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核验；摘要未说明因果识别假设、基准清单或具体指标，数值恢复表现不等同于因果验证。
原文摘要
Discovering causal structures from multivariate time series is a key problem because interactions span across multiple lags and possibly involve instantaneous dependencies. Additionally, the search space of the dynamic graphs is combinatorial in nature. In this study, we propose Stable Causal Dynamic Differentiable Discovery (SC3D), a two-stage differentiable framework that jointly learns lag-specific adjacency matrices and, if present, an instantaneous directed acyclic graph (DAG). In Stage 1, SC3D performs edge preselection through node-wise prediction to obtain masks for lagged and instantaneous edges, whereas Stage 2 refines these masks by optimizing a likelihood with sparsity along with enforcing acyclicity on the instantaneous block. Numerical results across synthetic SVAR systems, nonlinear and chaotic benchmarks, nonstationary dynamics and real-world datasets demonstrate that SC3D achieves improved stability and more accurate recovery of both lagged and instantaneous causal structures compared to existing baselines.