Scoperta Causale Basata su Tabu per Serie Temporali con Ritardi Variabili

Un algoritmo di nuova concezione per derivare reti bayesiane causali da dati di serie temporali affronta il problema dei ritardi temporali variabili tra cause ed effetti. Le tecniche attuali operano solitamente sotto l'assunzione di una finestra di ritardo costante, limitando la loro capacità di identificare dipendenze che si manifestano a intervalli diversi. L'innovativo algoritmo di apprendimento strutturale basato su Tabu cerca un grafo diretto temporalmente ordinato, assicurando che ogni arco rispetti l'ordine temporale, consentendo al contempo ritardi specifici per arco fino a un massimo definito. Impiegando un sistema di punteggio basato su BIC scomponibile con dimensioni effettive del campione specifiche per nodo, questo metodo migliora gli approcci tradizionali ottimizzando i valori di ritardo per ogni arco, facilitando così una scoperta causale più precisa in sistemi dinamici complessi. Questa ricerca è disponibile su arXiv e segna un notevole progresso nell'inferenza causale da dati temporali.