Causal Discovery

3 items

RESEARCHarXiv CS.AI·vor 12T

Why LLMs Fail at Causal Discovery and How Interventional Agents Escape

Dieses Forschungspapier zeigt, dass große Sprachmodelle beim kausalen Entdecken grundlegend versagen, da sie nicht zwischen kausalen Graphen unterscheiden können, die ähnliche Beobachtungsdaten erzeugen. Es führt ein "Kernel-Obstruktionstheorem" ein, um diese intrinsische Einschränkung aktueller Lernparadigmen zu formalisieren.

LLMs research Causal Discovery machine learning

RESEARCHarXiv CS.LG·vor 28T

TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data

Das TTCD (Transformer Integrated Temporal Causal Discovery) Framework ist ein neuartiger End-to-End-Ansatz, der entwickelt wurde, um gleichzeitige und verzögerte kausale Beziehungen aus komplexen nicht-stationären Zeitreihendaten zu lernen. Diese Methode überwindet die Einschränkungen bestehender Techniken durch die Integration von zeitlicher und Frequenzbereichs-Aufmerksamkeit und bietet eine einheitliche Lösung für anspruchsvolle reale Szenarien.

Causal Discovery machine learning non-stationary data Time Series

RESEARCHarXiv CS.LG·4/22/2026

Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models

Dieser Artikel schlägt eine neue Methode namens „Forecast-Necessity Testing“ für die interpretierbare kausale Entdeckung in nichtlinearen Zeitreihenmodellen vor. Ziel ist es, über traditionelle Koeffizienten hinauszugehen, um komplexe kausale Beziehungen besser zu verstehen.

nonlinear models Causal Discovery interpretable AI Time Series Analysis