ICLR2025 Soptlight |CausalRivers：因果发现新基准，全球最大真实时间序列数据集来袭！

本篇论文来自ICLR2025 Soptlight文章，文章提出了一个新基准套件-CausalRivers，是目前最大的真实世界时间序列因果发现基准。

顶会技术基本认可度都高，推荐阅读，全部77篇ICLR2025前沿时序合集小时已经整理好了，关注工🀄昊“时序大模型”发送“资料”扫码回复“ICLR2025时序合集”即可自取~其他顶会时序合集也可以回复相关顶会名称自取哈~

文章信息

论文名称：CausalRivers - Scaling up benchmarking of causal discovery for real-world time-series

论文作者：Gideon Stein, Maha Shadaydeh, Jan Blunk, Niklas Penzel, Joachim Denzler

研究背景

因果发现虽在理论上取得显著进展，但缺乏真实世界的评估，现有研究多依赖合成数据或稀疏的真实案例，且依赖强理论假设（如因果充分性、线性性、无隐藏混淆因素等）。 真实世界因果结构复杂，导致实践者难以选择合适的因果发现策略。 而现有基准数据集存在缺陷，如时间序列数据少、真实世界数据节点有限，难以支撑鲁棒的方法评估。

因此作者提出一个新的基准套件-CausalRivers，以应付上述难题。

模型框架

CausalRivers 基准套件主要由三个部分组成：

数据集详情：包含德国东部（666 个测量站）和巴伐利亚州（494 个测量站）的河流流量数据，时间跨度为 2019 - 2023 年，时间分辨率 15 分钟；还包括易北河洪水事件数据，以体现分布偏移。

因果真值图：基于多源信息（如维基百科爬取内容、遥感数据等）构建了德国东部和巴伐利亚两个因果真值图，共含超 1000 个节点。支持采样生成数千个子图，可模拟多种场景，如单汇点、根因、隐藏混淆等。

附加工具与资源：提供子图采样工具（可按节点数、地理距离等筛选）、气候条件评估工具（结合德国气象局数据）、预处理工具、数据加载器、三个朴素基线策略（交叉相关法 CC、反向物理法 RP 及其组合 Combo）以及相关教程。

实验数据

设置了三个不同的实验来检测效果：

（实验一）不同图结构下的方法评估：

• 测试了 VAR（线性 Granger 因果）、Varlingam、Dynotears 等经典方法，以及 CDMI、CP 等深度学习方法。

• 结果显示：简单基线（如 RP）性能接近部分复杂方法；线性方法（VAR）表现稳健；深度学习方法未体现显著优势。

（实验二）时间序列子采样影响：

• 对比完整时间序列、无雨期、洪水期数据的方法性能，发现子序列选择对结果影响显著，且依赖具体方法（如 Dynotears 在无雨期表现差）。

（实验三）领域自适应探索：

• 通过在巴伐利亚数据上微调因果预训练模型（CP），其在德国东部数据集上的性能提升，证明领域自适应对因果发现的有效性。

小小总结

CausalRivers 是目前最大的真实世界时间序列因果发现基准，为方法评估提供了标准化环境。 实验揭示现有方法在真实场景中的局限性，强调需加强鲁棒性研究。 CausalRivers数据集有望推动因果发现及相关领域的发展。

通过提供大规模、高复杂度的真实数据，CausalRivers 填补了因果发现领域缺乏实用基准的空白，为基准驱动的方法创新奠定了基础。

全部77篇ICLR2025前沿时序技术小时都整理好了~欢迎关注工🀄昊“时序大模型”发送“资料”扫码回复“ICLR2025时序合集”自取~其他顶会前沿时序合集也可以回复对应会议名自取哈（AAAI25,ICML25,ICDE25等）

关注小时，持续学习前沿时序技术！