Newest papers

SCDM: Scalable Causal Discovery in Nonlinear Temporal Systems with Meta-Learning

Jingbo Wang, Kegeng Tang, Zihao Wang, Shaogang Ren · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29992 · open-access PDF

Arabic

إن اكتشاف السبب من سلسلة الزمن المتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة المرتبطة بالمتعددة

Machine translation (Meta M2M100); the English original follows.

Abstract

Causal discovery from nonlinear multivariate time series is challenging in high-dimensional systems, where the number of candidate directed relations grows quadratically with the number of variables. Existing methods are often limited by target-wise model fitting, repeated conditional testing, or expensive graph-search procedures. We propose SCDM, a shared-parameter meta-learning framework for scalable temporal causal discovery. SCDM treats each target variable as a task while learning a shared temporal predictor and a shared causal-strength matrix across tasks. Each meta-episode updates only

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange