[論文レビュー] Learning Causal Structure of Time Series using Best Order Score Search

Irene Gema Castillo Mansilla, Urmi Ninad|arXiv (Cornell University)|Mar 5, 2026

Bayesian Modeling and Causal Inference被引用数 0

ひとこと要約

TS-BOSSはBest Order Score Searchを時系列へ拡張し、動的ベイズネットワーク上での順列ベースの探索をキャッシングとともに行い、スケーリングを実現。高い自己相関設定で理論的保証と強い実証性能を提供。

ABSTRACT

Causal structure learning from observational data is central to many scientific and policy domains, but the time series setting common to many disciplines poses several challenges due to temporal dependence. In this paper we focus on score-based causal discovery for multivariate time series and introduce TS-BOSS, a time series extension of the recently proposed Best Order Score Search (BOSS) (Andrews et al. 2023). TS-BOSS performs a permutation-based search over dynamic Bayesian network structures while leveraging grow-shrink trees to cache intermediate score computations, preserving the scalability and strong empirical performance of BOSS in the static setting. We provide theoretical guarantees establishing the soundness of TS-BOSS under suitable assumptions, and we present an intermediate result that extends classical subgraph minimality results for permutation-based methods to the dynamic (time series) setting. Our experiments on synthetic data show that TS-BOSS is especially effective in high auto-correlation regimes, where it consistently achieves higher adjacency recall at comparable precision than standard constraint-based methods. Overall, TS-BOSS offers a high-performing, scalable approach for time series causal discovery and our results provide a principled bridge for extending sparsity-based, permutation-driven causal learning theory to dynamic settings.

研究の動機と目的

• multivariate time seriesの因果構造学習を動機づけ、時間的依存性に対処する。
• 順列ベースの探索を用いてスコアベースの因果発見を動的ベイズネットワークへ拡張する。
• スコアの成長–縮小ツリーのキャッシングによりスケーラビリティと経験的強さを保持する。
• 時系列文脈でのTS-BOSSの健全性に関する理論的保証を確立する。

提案手法

• BOSSの時系列拡張としてTS-BOSSを開発する。
• 動的ベイズネットワーク構造に対する順列ベースの探索を用いる。
• 成長–縮小ツリーを活用して中間スコア計算をキャッシュする。
• 適切な仮定の下で健全性の理論的保証を提供する。
• 動的な時系列設定へ部分グラフ最小性の結果を拡張する。
• 高い自己相関領域での性能を評価するために合成データで評価する。

実験結果

リサーチクエスチョン

• RQ1 多変量時系列の因果構造学習に順列ベースの探索フレームワークを効果的に適用できるか？
• RQ2 標準的な制約ベース手法と比較して高自己相関領域でTS-BOSSはどのように性能を発揮するか？
• RQ3 動的な時系列設定においてTS-BOSSに対してどのような理論的保証が確立できるか？
• RQ4 grow–shrinkツリーを介した中間スコアのキャッシングは計算スケーラビリティを損なうことなく正確性を保つか？

主な発見

• TS-BOSSは合成データの高自己相関領域で、同等の精度に対して隣接再現率をより高く達成する。
• 静的設定においてBOSSと同様のスケーラビリティと経験的性能特性を維持する。
• 本論文は適切な仮定の下でTS-BOSSの健全性に関する理論的保証を提供する。
• 中間的な結果として、順列ベース手法から時系列ダイナミクスへの部分グラフ最小性の概念を拡張する。