EVENT DOSSIER
针对传统时间序列因果发现方法假设单一、一致因果结构的局限性，研究人员提出了一种名为 RCBNB-MB 的新型算法。该算法通过识别包含稳定因果结构的时间点子集（即潜在因果 regime），采用迭代策略将时间序列分段并在各段内独立发现因果图。与直接利用父节点不同，RCBNB-MB 利用 Markov blanket 进行推断，旨在增强对因果发现错误的鲁棒性并保留预测信息。作者在合理假设下提供了关于恢复 regime 转换和因果图的理论保证。该算法已在具有已知真实值的模拟数据集以及关键需考虑 regime 转移的实时世界 IT 监控数据上进行广泛验证，结果显示其在准确检测 regime 变化及其关联因果图方面系统性地优于基线方法。
本文提出一种名为 Regime-aware Constraint-Based and Noise-Based causal discovery with Markov Blankets (RCBNB-MB) 的新型时间序列因果发现算法，旨…
本文提出一种名为 Regime-aware Constraint-Based and Noise-Based causal discovery with Markov Blankets (RCBNB-MB) 的新型时间序列因果发现算法，旨…
本文提出一种名为 Regime-aware Constraint-Based and Noise-Based causal discovery with Markov Blankets (RCBNB-MB) 的新型时间序列因果发现算法，旨在解决传统方法假设单一、时间一致因果结构的局限性。该算法通过识别包含稳定因果结构的时间点子集（即潜在因果 regime），采用迭代策略将时间序列分段并在各段内发现因果图。与直接父节点相比，RCBNB-MB 利用 Markov blanket 提升了抗错鲁棒性并保留预测信息。研究在已知真实值的模拟数据集及关键需考虑 regime shifts 的现实 IT 监控数据上进行了验证，结果显示 RCBNB-MB 在准确检测 regime 变化及其关联因果图方面系统性地优于基线方法。
本文提出一种名为 Regime-aware Constraint-Based and Noise-Based causal discovery with Markov Blankets (RCBNB-MB) 的新型时间序列因果发现算法，旨在解决传统方法假设单一、时间一致因果结构的局限性。该算法通过识别包含稳定因果结构的时间点子集（即潜在因果 regime），采用迭代策略将时间序列分段并在各段内发现因果图。与直接利用父节点不同，RCBNB-MB 利用 Markov blanket 进行推断，从而增强对因果发现错误的鲁棒性并保留预测信息。作者在合理假设下提供了关于恢复 regime 转换和因果图的理论保证，并通过具有已知真实值的模拟数据集及关键需要考量 regime 转移的实时世界 IT 监控数据进行了广泛验证。…