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

Korean

비선형 다변수 시간 시리즈의 원인 발견은 고차원 시스템에서 도전적이며, 후보 지향 관계의 수는 변수의 수와 함께 사각형으로 증가합니다. 기존의 방법은 종종 목표 방향 모델 조합, 반복 조건 테스트 또는 비싼 그래프 검색 절차에 의해 제한됩니다. 우리는 SCDM을 제안합니다. SCDM은 각 목표 변수를 작업을 통해 공유된 시간 예측기와 공유된 원인 강도 매트릭스를 배우는 동안 작업으로 처리합니다. 각 메타 에피소드 업데이트만

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