多尺度动态图网络

动态因果推断更准

用因果时间窗重建多尺度图，并将因果关系感知注意力直接嵌入预测过程，突破了传统分步推断对静态关系的假设。

Lipeng, Qian · 左琼 · Wei, Liu · 朱虹

Information Sciences 2026

技术优势

关系会变也准

不再假设静态关系，而是用因果时间窗重建多尺度动态图，适应变量间影响随时间变化的情形。

推断更少误差

将因果感知注意力直接集成到预测过程中，避免了传统事后推断策略带来的额外误差。

处理多尺度交互

通过联合图注意力网络和LSTM对跨尺度因果贡献进行建模，能够捕捉不同时间尺度上的交互。

应用场景

• 时序数据分析：无需预先假设关系固定，可直接用于金融、气象等时序数据的动态因果发现。
• 复杂系统监测：实时捕捉系统内部随时间变化的因果影响，辅助监测和诊断复杂系统行为。
• 金融风险建模：建模金融变量间时变因果关系，帮助识别风险传导路径。
• 生理信号解析：从生理信号中提取动态因果网络，有助于揭示生理机制和疾病状态。