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

Portuguese

A descoberta causal de séries de tempo multivariadas não lineares é desafiadora em sistemas de alta dimensão, onde o número de relações dirigidas por candidatos cresce quadraticamente com o número de variáveis. Os métodos existentes são muitas vezes limitados por ajustes de modelo direcionados a objetivos, testes condicionais repetidos ou procedimentos de busca de gráficos caros. Propomos SCDM, um framework de meta-aprendizagem de parâmetros compartilhados para descoberta causal temporal escalável. O SCDM trata cada variável-alvo como uma tarefa enquanto aprende um preditor temporal compartilhado e uma matriz de força causal compartilhada entre tarefas.

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