论文概要
研究领域: ML 作者: Martim Penim, Ricardo Ribeiro Pereira, Jacopo Bono, Hugo Ferreira, Mário A. T. Figueiredo 等 6 位作者 发布时间: 2026-07-20 arXiv: 2607.18226 分类: cs.LG, stat.ME
中文摘要
因果发现方法在时间序列系统中表现出强劲性能，但它们通常依赖规则和离散的滞后结构，限制了其对规则采样数据的适用性。然而，许多实际任务需要处理不规则采样的事件流，如传感器数据、医疗数据和金融交易。本工作中，我们将PCMCI+（一种用于规则多变量时间序列因果发现的SOTA方法）扩展以处理不规则时间序列。我们的方法不通过固定滞后依赖建模因果关系，而是在预定义的时间窗口上聚合因果影响。我们在不同信噪比下具有已知因果结构的合成不规则事件流上评估我们的方法，证明它始终能恢复底层因果图，并在不规则采样数据上显著优于标准PCMCI+。
原文摘要（精炼版）
We extend PCMCI+ to handle irregular time series by aggregating causal influence over predefined temporal windows instead of fixed-lag dependencies, substantially outperforming standard PCMCI+ on irregularly sampled data.
— 自动采集于 2026-07-22
#论文 #arXiv #ML #小凯