Buchumschlag

Causal Identification in Time Series Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jahn, Erik, Karnik, Karthik, Schulman, Leonard J.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CausalCompass: Evaluating the Robustness of Time-Series Causal Discovery in Misspecified Scenarios
von: Yi, Huiyang, et al.
Veröffentlicht: (2026)

A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time Series
von: Ma, Zhipeng, et al.
Veröffentlicht: (2024)

Time Series Domain Adaptation via Latent Invariant Causal Mechanism
von: Cai, Ruichu, et al.
Veröffentlicht: (2025)

Causal and Local Correlations Based Network for Multivariate Time Series Classification
von: Du, Mingsen, et al.
Veröffentlicht: (2024)

Learning Causal Structure of Time Series using Best Order Score Search
von: Mansilla, Irene Gema Castillo, et al.
Veröffentlicht: (2026)

Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens
von: Lakkaraju, Kausik, et al.
Veröffentlicht: (2024)

Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning
von: Wienöbst, Marcel, et al.
Veröffentlicht: (2025)

TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data
von: Faruque, Omar, et al.
Veröffentlicht: (2026)

s-ID: Causal Effect Identification in a Sub-Population
von: Abouei, Amir Mohammad, et al.
Veröffentlicht: (2023)

Fast Proxy Experiment Design for Causal Effect Identification
von: Elahi, Sepehr, et al.
Veröffentlicht: (2024)

Multi-Band Variable-Lag Granger Causality: A Unified Framework for Causal Time Series Inference across Frequencies
von: Sookkongwaree, Chakattrai, et al.
Veröffentlicht: (2025)

Linear-Time Primitives for Algorithm Development in Graphical Causal Inference
von: Wienöbst, Marcel, et al.
Veröffentlicht: (2025)

Towards a holistic understanding of Selection Bias for Causal Effect Identification
von: Qiu, Yiwen, et al.
Veröffentlicht: (2026)

Beyond Accuracy: Are Time Series Foundation Models Well-Calibrated?
von: Adler, Coen, et al.
Veröffentlicht: (2025)

Multi-Domain Causal Discovery in Bijective Causal Models
von: Jalaldoust, Kasra, et al.
Veröffentlicht: (2025)

Learning Causal Abstractions of Linear Structural Causal Models
von: Massidda, Riccardo, et al.
Veröffentlicht: (2024)

Econometric vs. Causal Structure-Learning for Time-Series Policy Decisions: Evidence from the UK COVID-19 Policies
von: Petrungaro, Bruno, et al.
Veröffentlicht: (2026)

Language Agents Meet Causality -- Bridging LLMs and Causal World Models
von: Gkountouras, John, et al.
Veröffentlicht: (2024)

Towards Causal Foundation Model: on Duality between Causal Inference and Attention
von: Zhang, Jiaqi, et al.
Veröffentlicht: (2023)

Integrating Large Language Models in Causal Discovery: A Statistical Causal Approach
von: Takayama, Masayuki, et al.
Veröffentlicht: (2024)

Partially Observed Structural Causal Models
von: Orujlu, Turan, et al.
Veröffentlicht: (2026)

Compositional Models for Estimating Causal Effects
von: Pruthi, Purva, et al.
Veröffentlicht: (2024)

Time Series Treatment Effects Analysis with Always-Missing Controls
von: Shu, Juan, et al.
Veröffentlicht: (2025)

Marginal Causal Flows for Validation and Inference
von: Manela, Daniel de Vassimon, et al.
Veröffentlicht: (2024)

Discovering and Reasoning of Causality in the Hidden World with Large Language Models
von: Liu, Chenxi, et al.
Veröffentlicht: (2024)

Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
von: Hoang, Nu, et al.
Veröffentlicht: (2024)

Efficient Causal Graph Discovery Using Large Language Models
von: Jiralerspong, Thomas, et al.
Veröffentlicht: (2024)

Effective Causal Discovery under Identifiable Heteroscedastic Noise Model
von: Yin, Naiyu, et al.
Veröffentlicht: (2023)

Empirical Analysis of Model Selection for Heterogeneous Causal Effect Estimation
von: Mahajan, Divyat, et al.
Veröffentlicht: (2022)

Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models
von: Kuskova, Valentina, et al.
Veröffentlicht: (2026)

Causal SHAP: Feature Attribution with Dependency Awareness through Causal Discovery
von: Ng, Woon Yee, et al.
Veröffentlicht: (2025)

Towards Interpretable Deep Generative Models via Causal Representation Learning
von: Moran, Gemma E., et al.
Veröffentlicht: (2025)

Can Large Language Models Help Experimental Design for Causal Discovery?
von: Li, Junyi, et al.
Veröffentlicht: (2025)

Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset
von: Shukla, Manish
Veröffentlicht: (2025)

Causal Preference Elicitation
von: Bonilla, Edwin V., et al.
Veröffentlicht: (2026)

Evaluation of Stress Detection as Time Series Events -- A Novel Window-Based F1-Metric
von: Skat-Rørdam, Harald Vilhelm, et al.
Veröffentlicht: (2025)

Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand
von: Rahman, Md Musfiqur, et al.
Veröffentlicht: (2024)

Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies
von: Jeong, Hyunchai, et al.
Veröffentlicht: (2024)

Causal Diffusion Autoencoders: Toward Counterfactual Generation via Diffusion Probabilistic Models
von: Komanduri, Aneesh, et al.
Veröffentlicht: (2024)

On the Granularity of Causal Effect Identifiability
von: Chen, Yizuo, et al.
Veröffentlicht: (2025)