Buchumschlag

Interventional Time Series Priors for Causal Foundation Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thumm, Dennis, Chen, Ying
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models
von: Thumm, Dennis
Veröffentlicht: (2025)

Towards Continuous-time Causal Foundation Models
von: Thumm, Dennis, et al.
Veröffentlicht: (2026)

Towards Causal Market Simulators
von: Thumm, Dennis, et al.
Veröffentlicht: (2025)

Use of Prior Knowledge to Discover Causal Additive Models with Unobserved Variables and its Application to Time Series Data
von: Maeda, Takashi Nicholas, et al.
Veröffentlicht: (2024)

Causal Identification in Time Series Models
von: Jahn, Erik, et al.
Veröffentlicht: (2025)

Causality-Encoded Diffusion Models for Interventional Sampling and Edge Inference
von: Chen, Li, et al.
Veröffentlicht: (2026)

Linking Model Intervention to Causal Interpretation in Model Explanation
von: Cheng, Debo, et al.
Veröffentlicht: (2024)

DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series
von: Wu, Dongze, et al.
Veröffentlicht: (2025)

Modeling Causal Mechanisms with Diffusion Models for Interventional and Counterfactual Queries
von: Chao, Patrick, et al.
Veröffentlicht: (2023)

Causal Discovery in Multivariate Time Series through Mutual Information Featurization
von: Paldino, Gian Marco, et al.
Veröffentlicht: (2025)

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

Interventional Causal Discovery in a Mixture of DAGs
von: Varıcı, Burak, et al.
Veröffentlicht: (2024)

Interventional Processes for Causal Uncertainty Quantification
von: Dance, Hugh, et al.
Veröffentlicht: (2024)

Amortized Causal Discovery with Prior-Fitted Networks
von: Sypniewski, Mateusz, et al.
Veröffentlicht: (2025)

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

TS-CausalNN: Learning Temporal Causal Relations from Non-linear Non-stationary Time Series Data
von: Faruque, Omar, et al.
Veröffentlicht: (2024)

Identifying Elasticities in Autocorrelated Time Series Using Causal Graphs
von: Tiedemann, Silvana, et al.
Veröffentlicht: (2024)

Identifying Causal Effects using Instrumental Time Series: Nuisance IV and Correcting for the Past
von: Thams, Nikolaj, et al.
Veröffentlicht: (2022)

Causal Interventional Prediction System for Robust and Explainable Effect Forecasting
von: Chu, Zhixuan, et al.
Veröffentlicht: (2024)

Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors
von: Dhawan, Nikita, et al.
Veröffentlicht: (2026)

Autoregressive with Slack Time Series Model for Forecasting a Partially-Observed Dynamical Time Series
von: Okuno, Akifumi, et al.
Veröffentlicht: (2023)

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

Adaptive Bayesian Multivariate Spline Knot Inference with Prior Specifications on Model Complexity
von: He, Junhui, et al.
Veröffentlicht: (2024)

Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data
von: Luo, Gongxu, et al.
Veröffentlicht: (2025)

PRCD-MAP: Learning How Much to Trust Imperfect Priors in Causal Discovery
von: Shan, Xihang, et al.
Veröffentlicht: (2026)

Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
von: Li, Haoze, et al.
Veröffentlicht: (2025)

Estimating Interventional Distributions with Uncertain Causal Graphs through Meta-Learning
von: Dhir, Anish, et al.
Veröffentlicht: (2025)

Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions
von: Gamella, Juan L., et al.
Veröffentlicht: (2022)

Time Series Gaussian Chain Graph Models
von: Fang, Qin, et al.
Veröffentlicht: (2026)

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

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

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

Foundations of Structural Causal Models with Latent Selection
von: Chen, Leihao, et al.
Veröffentlicht: (2024)

Federated Causal Discovery From Interventions
von: Abyaneh, Amin, et al.
Veröffentlicht: (2022)

Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling
von: Thumm, Dennis
Veröffentlicht: (2025)

Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework
von: Ma, Ziling, et al.
Veröffentlicht: (2026)

Simulation-Based Sensitivity Analysis in Optimal Treatment Regimes and Causal Decomposition with Individualized Interventions
von: Park, Soojin, et al.
Veröffentlicht: (2025)

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

Synthetic Combinations: A Causal Inference Framework for Combinatorial Interventions
von: Agarwal, Abhineet, et al.
Veröffentlicht: (2023)

Sample Efficient Bayesian Learning of Causal Graphs from Interventions
von: Zhou, Zihan, et al.
Veröffentlicht: (2024)