Discovering Causal Relationships Between Time Series With Spatial Structure
发现具有空间结构的时间序列之间的因果关系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：摘要明确研究空间结构下的时间序列因果发现与混杂处理，支持因果推断和时间序列；空间相关本身不足以归入网络干扰。
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…
发现具有空间结构的时间序列之间的因果关系
- 研究问题
- 空间与时间结构同时存在时，如何发现变量间的因果关系结构，并处理空间自相关、复杂混杂和高维计算带来的困难？
- 方法与思路
- 作者提出正在发展的框架，将时间序列因果发现扩展到空间系统，结合跨情境因果发现与空间混杂处理思路，并讨论研究缺口。
- 材料陈述的贡献
- 摘要称框架旨在改进现有方法对空间结构和扩展性的处理，并梳理剩余问题及未来方向；未明确报告完成的理论或实证验证。
- 阅读关注点
- 核对框架成熟程度、空间和时间依赖的表示、因果方向识别要求及隐藏混杂处理，并区分已实现算法与未来研究设想。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要描述发展中的框架，未提供定理、算法细节或性能证据，不能认定已解决上述困难。
原文摘要
Causal discovery is the subfield of causal inference concerned with estimating the structure of cause-and-effect relationships in a system of interrelated variables, as opposed to quantifying the strength or describing the form of causal effects. As interest in causal discovery builds in fields such as ecology, public health, and environmental sciences where data are regularly collected with spatial and temporal structures, approaches must evolve to manage autocorrelation and complex confounding. As it stands, the few proposed causal discovery algorithms for spatiotemporal data require summarizing across locations, ignore spatial autocorrelation, and/or scale poorly to high dimensions. Here, we introduce our developing framework that extends time-series causal discovery to systems with spatial structure, building upon work on causal discovery across contexts and methods for handling spatial confounding in causal effect estimation. We close by outlining remaining gaps in the literature and directions for future research.