arXiv cs.AI· Muhammad Hasan Ferdous, Ian Stockwell, Md Osman Gani·· 3 天前AI 评分24
DCD：面向自相关与非平稳时间序列的分解式因果发现框架
DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data
AI 导读
研究者提出 DCD 分解式因果发现框架，将每条时间序列拆分为趋势、季节与残差分量并分别做因果分析：趋势用平稳性检验、季节用核依赖度量、残差用约束式因果发现，再整合为统一的多尺度因果结构。在大量合成基准和真实气候数据上，该框架比 SOTA 基线更准确地恢复真实因果结构，尤其在强非平稳与时间自相关条件下。
正文 · AI 翻译
摘要：金融、气候科学和医疗健康等领域的多变量时间序列通常呈现长期趋势、季节性模式和短期波动，这使得在非平稳性和自相关条件下的因果推断变得复杂。现有的因果发现方法通常基于原始观测数据进行操作，因而容易产生虚假边和时间依赖关系的错误归因。我们提出了一种基于分解的因果发现框架，将每个时间序列分解为趋势、季节和残差分量，并针对各分量进行因果分析。趋势分量使用平稳性检验进行评估，季节分量使用基于核的依赖性度量进行评估，残差分量使用基于约束的因果发现方法进行评估。由此得到的分量级图被整合为一个统一的多尺度因果结构。该方法能够分离长期和短期因果效应，减少虚假关联，并提高可解释性。在大量合成基准和真实气候数据上，我们的框架比最先进的基线方法更准确地恢复真实因果结构，尤其是在强非平稳性和时间自相关条件下。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| MSC 分类： | 62M10 |
| 引用格式： | arXiv:2602.01433 [cs.LG] |
| （或使用 arXiv:2602.01433v3 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2602.01433 由 DataCite 颁发的 arXiv DOI |
提交历史
发件人：Muhammad Hasan Ferdous [查看电子邮件]
[v1]
2026年2月1日星期日 20:45:05 UTC（1,729 KB）
[v2]
2026年4月28日星期二 04:21:44 UTC（4,296 KB）
[v3]
2026年10月12日星期一 23:23:02 UTC（4,279 KB）
来源：arXiv cs.AI · arxiv.org