Time Series Structure Learning with Local Causal Parent Discovery
Jacqueline Maasch, Shu Wan, Hank Zhu, Huan Liu, Zhiguang Wang
cs.LG, stat.ML
2026-11-19
ITPD按时间逐个找回父节点,拼出因果边可以随时间改变的时序图。2000个节点上比PCMCI快40.9倍,大样本F1约0.99,收益在速度。
约束法因果发现用条件独立检验删边:给定其他变量后,两个变量还相不相关。多元时间序列把这件事变难。观测自相关,因果边会随时间改写,条件集一大,样本量就按指数上升。
PCMCI 和 DYNOTEARS 假定因果平稳,滞后固定的边每个时刻都重复,长序列被压成一张窗口图。图 1 指出这个假定的后果:真实结构是全时间图,边会变;若使用最大滞后为 2 的平稳窗口,时刻 3 之后会用错父节点。
主实验针对有重复轨迹、边仍可随时间改变的全时间图,每个节点各有一套父节点。
ITPD 按时间向前,为每个变量找父节点,再拼成全局有向无环图。邻接表里已有的父节点直接拿来做后面的条件集,把高阶检验换成低阶检验。
父节点被限制在过去。滞后 1 自环当作已知父节点,候选集由此起步。同一时刻的变量之间没有边。第一个时刻之后没有隐混淆,第一个时刻本身可以是未观测历史下的根。分布要忠实于无环图,并满足马尔可夫条件。因果平稳可以不成立。
每个目标分两相。第一相删了就不能回来,门槛放宽,α 为 0.01,γ 为 0.2,κ 为 50。候选少时用 0.2,多时也不低于 0.01,并用 κ 限制混进来的非父节点。变量从新到旧看,每个最多三次检验:没有祖先关系且边缘独立的删掉;给定当前候选集已独立的也删掉,只测一次;给定它已学到的父节点仍相关才留下。最后一步用的是局部马尔可夫条件,条件集是先前的父节点,远小于过去全部变量。
第二相从旧到新把超集收紧,门槛改为 α 除以 m,做 Bonferroni 校正。去掉自己之后仍相关,才记为父节点。
从新到旧来自消融。再增加中介节点和工具变量的划分,oracle 下仍然正确,条件集却降得有限,检验变多,于是删掉。对照 IPaDL 重复调用 PaDL,条件集大得多。
独立性 oracle 下,父节点集合正确且完整,沿时间归纳得到全图。检验若为多项式时间,重复轨迹上的次数是 O(N²T²)。61 条 Lean 定理核对了该 oracle 结论。
32 组 oracle 设置、共 4240 张图(N 从 20 到 80,T 从 16 到 50)里,ITPD 和 IPaDL 都还原了真实图。N=20、T=16、滞后 1、每格 200 张图时,d=1 的每候选检验次数是 ITPD 1.23、IAMB 6.02、IPaDL 1.76,FullCI 恒为 1;d=8 时 ITPD 1.26,IAMB 17.67。d=1 的平均条件集,ITPD 0.7,IAMB 5.6,IPaDL 21.7,FullCI 206,PCMCI 4.2。IPaDL 的最大条件集是 ITPD 的 22.9 到 52.2 倍。
有限样本主设置是线性高斯、非平稳、N=20、T=16、Fisher-z,每格 20 张图。
| 设置 | ITPD | IAMB | PCMCI | DYNOTEARS |
| M=500,d=2 | 0.992 | 0.994 | 0.205 | 0.045 |
| M=500,d=5 | 0.961 | 0.972 | 0.364 | 0.062 |
| M=2000,d=2 | 0.997 | 0.998 | 0.207 | 0.038 |
| M=2000,d=5 | 0.991 | 0.999 | 0.396 | 0.055 |
这些格子上,ITPD 的 F1 都高于 Lasso、PCMCI、CD-NOD 和 DYNOTEARS。对 IAMB,12 组里赢 2 组、平 4 组、输 6 组,差值在 -0.042 到 +0.004 之间。FullCI 只在 d 为 3 或 5 且 M=2000 时更高,最多高出 0.007。
每步随机重画 5% 的边,ITPD 的 F1 维持在 0.984 到 0.994,PCMCI、DYNOTEARS、CD-NOD 降到 0.562 到 0.808。在 d 为 2 或 5、M 为 500 或 2000 的 16 组里,IAMB 全部高于 ITPD,幅度 0.003 到 0.064。非线性机制配广义协方差检验,8 组中 ITPD 有 6 组排在第一或第二。
2000 个节点上,ITPD 比迭代 IAMB、DF-PC、PCMCI 快 2.3 倍、9.1 倍和 40.9 倍,处在 F1 与墙钟时间的帕累托前沿。1000 到 2000 个变量之间它最快,M=2000 时 F1 为 0.997 到 0.998。76 组有限样本里,每候选检验次数是 IAMB 的 0.10 到 0.86 倍。
条件集大小在有限样本里倒了过来。M=2000、d=2 时,平均条件集 ITPD 为 8.2,IAMB 为 2.3,最大条件集为 33 对 7。
DREAM4 网络 3 和 5 的重仿真中,6 组 ITPD 都高于 IAMB;相对该组最高基线,输 4 组、平 1 组、赢 1 组。M=200 时窗口图方法全部更高,而且 F1 只覆盖较早时间步。网络 3 在 M=200 时 DYNOTEARS 0.689、CD-NOD 0.681、PCMCI 0.609、ITPD 0.518;M=500 时 ITPD 0.683,是该格最高。
滞后 1 自环从部分去掉直到全部去掉,ITPD 的 F1 都是 0.997。同期边占到一半时,剩下的滞后 1 边 F1 降到 0.527,FullCI 为 0.574。
重复测量的面板如果机制会变,窗口图是设错的模型。主实验里加大 M,PCMCI 的 F1 仍在 0.2 附近,DYNOTEARS 仍在 0.05 附近。ITPD 和按时间迭代的 IAMB 都不要求边跨时间重复,这段差距来自问题定义。
相对迭代 IAMB,ITPD 少做检验,节点过千以后更快,并有多项式次数上界。F1 停在同一量级,经常还略低。实现已公开。
M 大约过 100,主设置里才和其他方法打平或更好。一条无法重复的非平稳序列,不在这套重复轨迹的保证里。
局限部分写了两件没覆盖的事。没有任何设置全面胜过对照。没有落在有利区间的公开真实数据,评估停在模拟和基因网络重仿真。隐混淆和同期边还不能处理。
40.9 倍相对的是 PCMCI,非平稳主实验里它的 F1 大约 0.2。和任务更接近的迭代 IAMB 差 2.3 倍,F1 常常略高。最大倍数把设错模型与算得更快叠在一起。
低阶检验被用来讲样本效率。M=2000、d=2 时 IAMB 的平均条件集是 2.3,ITPD 是 8.2。Oracle 里更小的条件集,有限样本没有保住。
γ 与 κ 在线性高斯图上按 F1 固定。N=100、T=20 时最大条件集为 27 到 37,第一相门槛若固定在 0.2,会到 134 到 156,16 组 F1 相差不超过 0.001。
自环去掉后 F1 仍是 0.997,分母里有没有自环,文中没写清。发育、生态、气候很少提供同一结构模型的重复轨迹。Lean 只核对 oracle 下的父节点。