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

Vietnamese

Khám phá nguyên nhân từ chuỗi thời gian đa biến phi tuyến tính là một thách thức trong các hệ thống chiều cao, nơi số lượng các mối quan hệ được chỉ định bởi ứng cử viên tăng gấp bốn lần với số lượng các biến. Các phương pháp hiện có thường bị hạn chế bởi phù hợp với mô hình theo hướng mục tiêu, thử nghiệm có điều kiện lặp đi lặp lại hoặc các thủ tục tìm kiếm đồ thị đắt tiền. Chúng tôi đề xuất SCDM, một khung meta-learning tham số chia sẻ cho việc khám phá nguyên nhân thời gian có thể mở rộng.

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