Resumen: El descubrimiento de relaciones causales ha atraído cada vez más atención debido a su aplicación predominante. Los métodos existentes se basan en la experiencia humana, métodos estadísticos o métodos de criterios gráficos que son propensos a errores, se apegan a suposiciones idealizadas y se basan en una enorme cantidad de datos. Y también existe una grave falta de datos en el acceso a series temporales multivariadas (MTS) en muchas áreas, lo que dificulta encontrar su relación causal. Es fácil que los métodos existentes se adapten demasiado a ellos. Para llenar el vacío que mencionamos anteriormente, en este artículo proponemos Shylock, un método novedoso que puede funcionar bien tanto en MTS normales como de pocos disparos para encontrar la relación causal. Shylock puede reducir exponencialmente la cantidad de parámetros mediante el uso de convolución dilatada de grupo y un núcleo compartido, pero aún así aprende una mejor representación de las variables con un retraso de tiempo. Al combinar la restricción global y la restricción local, Shylock logra compartir información entre redes para ayudar a mejorar la precisión. Para evaluar el rendimiento de Shylock, también diseñamos un método de generación de datos para generar MTS con retraso de tiempo. Lo evaluamos en puntos de referencia de uso común y conjuntos de datos generados. Amplios experimentos muestran que Shylock supera a dos métodos de última generación existentes tanto en MTS normal como en pocos disparos. También desarrollamos Tcausal, una biblioteca de fácil uso y la implementamos en la plataforma EarthDataMiner.
Publicado originalmente en export.arxiv.org el 26 de octubre de 2025.
Ver fuente original
