CausalCompass: Evaluating the Robustness of Time-Series Causal Discovery in Misspecified Scenarios¶
会议: NeurIPS 2026
arXiv: 2602.07915
代码: https://anonymous.4open.science/r/CausalCompass-anonymous-5B4F/
领域: 因果推理
关键词: 时序因果发现、模型误设、鲁棒性评估、基准测试、深度学习
一句话总结¶
提出了首个针对时间序列因果发现（TSCD）在建模假设违背情境下的基准评测框架 CausalCompass，覆盖 6 大类 11 种主流算法及 8 类真实误设场景，通过超 11 万次运行揭示了深度学习方法在破损假设下的普遍优势以及标准化预处理对连续优化方法的反直觉增益。
研究背景与动机¶
从时间序列观测数据中推断潜在的因果结构（TSCD）在地球科学、计量经济学、生物信息与智能电网等领域扮演着核心支柱角色。受制于伦理、成本与物理不可行性，真实场景往往无法实施随机对照试验（RCT），因而因果发现通常强依赖于各类严苛的不可检验假设——例如基于约束的 PCMCI 依赖忠实性假设、基于噪声的 VARLiNGAM 强加结构方程线性非高斯假定、基于分数的 DYNOTEARS 与 NTS-NOTEARS 施加无环性与特定泛函假定，此外因果充分性（无隐变量）以及无测量误差更是几乎所有算法默认的前提条件。
然而，现实时序数据充斥着高斯/非高斯测量误差、非平稳性突变、未观测潜变量混杂、连续离散混杂数据、大面积随机缺失以及时间趋势与季节性周期波动，完全契合理论假设的数据在真实世界中几乎不存在。过往研究往往陷入“科学完美主义”陷阱，仅在严格满足假设的理想合成数据上评估算法，导致对模型可靠性的严重高估；而已有的极少数鲁棒性测试要么局限于独立同分布（i.i.d.）静态数据，要么仅考察线性生成机制与传统约束类算法，忽视了拓扑动力系统方法和近年来蓬勃发展的深度学习神经格兰杰因果模型。
面对这一系统性评测空白，因果推断需要向“实用主义”范式转变。本文的核心 idea 是构建一个支持线性与非线性双轨基准、覆盖 8 类典型模型假设违背场景的可扩展评测框架 CausalCompass，统一 6 大类别 11 种代表性算法接口，开展超 110,000 次大规模实证评测以定量刻画 TSCD 算法在不可行假设破裂时的鲁棒性边界与失效机理。
方法详解¶
整体框架¶
CausalCompass 的设计围绕“双轨基准生成 \(\rightarrow\) 8 类扰动合成 \(\rightarrow\) 统一接口与超参寻优 \(\rightarrow\) 多维度度量与消融诊断”展开。评测系统先确立线性和非线性两种基准数据生成模型，通过引入可控严重程度的干扰参数合成 8 类违背建模假设的真实退化场景，随后将标准格式时序输入至 11 种代表性 TSCD 算法中，在统一网格搜索和全局最优超参下重构因果图，最终使用 AUROC、AUPRC 和归一化结构汉明距离（NSHD）输出鲁棒性诊断报告。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["双轨基准数据生成<br/>线性 VAR 过程与非线性 Lorenz-96 混沌动力系统"] --> B["8类假设违背场景模拟<br/>测量误差 / 潜混杂 / 非平稳 / 缺失 / 混杂数据 / 趋势周期 / 归一化 / 标准化"]
B --> C["11种主流 TSCD 算法跨范式评测<br/>覆盖约束 / 噪声 / 分数 / 拓扑 / 传统GC / 深度学习6大类别"]
C --> D["超参数敏感性与鲁棒性量化分析<br/>AUROC / AUPRC / NSHD 多指标分布与方差诊断"]
D --> E["cMLP 归因消融与预处理效应诊断<br/>非线性表达容量与层级稀疏正则的双重贡献验证"]关键设计¶
1. 双轨基准生成与 8 类假设违背扰动建模：系统化模拟真实时序病态数据
为了消除对单一函数形式的偏见，框架建立了两套完全受控的基准时序生成模型：线性基准基于向量自回归模型 \(\mathbf{x}_t = \sum_{l=1}^{\tau_{max}} \boldsymbol{A}_l \mathbf{x}_{t-l} + \mathbf{u}_t\)，非线性基准则基于 Lorenz-96 连续混沌动力学方程 \(\frac{\partial x_{t,i}}{\partial t} = -x_{t,i-1}(x_{t,i-2} - x_{t,i+1}) - x_{t,i} + F\)。在此基础上，框架设计了 8 种正交的假设违背算子，严密映射现实时序的典型缺陷： - 测量误差（Measurement Error）：在真实时序上叠加不相关的高斯噪声 \(\hat{X}_i = X_i + \epsilon_i\)，其方差由噪声强度系数 \(\alpha \in \{0.4, 0.6, 0.8, 1.0, 1.2\}\) 调控（\(\operatorname{Var}(\epsilon_i) = \alpha \cdot \operatorname{Var}(X_i)\)）； - 非平稳性（Nonstationarity）：因果传递函数保持不变，但噪声方差通过高斯过程光滑调制 \(\log \boldsymbol{\omega}_i \sim \mathcal{GP}(m \cdot \mathbf{1}_T, \nu^2 K(\mathbf{t}, \mathbf{t}))\)，以模拟时变波动率； - 潜变量混杂（Latent Confounders）：引入未观测变量集合 \(\mathbf{L}=\{L_i\}_{i=1}^D\)，以伯努利概率 \(\zeta \in [0.1, 0.9]\) 随机构造跨时滞或瞬时隐混杂边，打破因果充分性； - 混合离散连续数据（Mixed Data）：对连续变量做 Min-Max 归一化后，将比例为 \(\beta\) 的变量通过中值二值化为指示变量 \(x_{t,i}^{\mathrm{DV}} = \mathbb{I}(\tilde{x}_{t,i} > 0.5)\)； - 数据完全随机缺失（Missing MCAR）：按缺失率 \(\gamma \in [0.1, 0.5]\) 随机剔除采样点，并探究零阶保持（ZOH）、高斯过程（GP）与线性插补对结构恢复的影响； - 趋势与季节性（Trend & Seasonality）：叠加变量特异性线性漂移 \(\mathrm{trend}_{t,i} = \frac{\rho t i}{2}\) 与双次谐波周期波动 \(\mathrm{season}_{t,i} = \eta \sin\left(\frac{2\pi t}{P} + \phi_i\right) + \frac{\eta}{2} \cos\left(\frac{4\pi t}{P} + \phi_i\right)\)； - Z-score 标准化与 Min-Max 归一化：作为诊断探针，检验因果模型对幅值和方差排序特征的脆弱依赖性。
2. 跨范式算法评测与统一因果图度量：对齐 6 大流派与异构图输出
TSCD 算法输出形式天然分裂：部分算法直接重构汇总因果图（Summary Causal Graph, \(\mathcal{G}_{\mathrm{SCG}}\)），而另一部分估计包含时滞信息的窗口因果图（Window Causal Graph, \(\mathcal{G}_{\mathrm{WCG}}\)）。CausalCompass 将 VAR、LGC、VARLiNGAM、PCMCI、DYNOTEARS、NTS-NOTEARS、TSCI、cMLP、cLSTM、CUTS、CUTS+ 统一接入标准化运行时，严格排除最易被准确估计的自因果自环（对角线元素），以真实因果转移邻接矩阵为基准。在评估度量上，除了传统的阈值无关指标 AUROC 和 AUPRC，本文遵循针对图结构重构误差的归一化结构汉明距离 NSHD：
其中 \(|A_G|\) 为真实图中的有向边数，\(\mathcal{T}\) 为候选二值化判决阈值集。通过边数归一化（而非节点数平方归一化），有效避免了图稀疏时的度量数值坍缩，能够清晰放大不同算法在假设破坏时的漏报与误报代价。
3. cMLP 归因消融与深度模型韧性解耦：厘清非线性表达与群稀疏正则的协同机制
针对深度学习算法在多类假设违背场景中展现出的压倒性韧性，论文针对代表性神经格兰杰模型 cMLP 实施了机理级手术刀式消融： - 非线性表达能力消融（cMLP-linear）：保持分组件自回归网络骨架和网络宽度不变，但将各隐层之间的 ReLU 激活函数全部替换为恒等映射（Identity），迫使网络退化为分段线性拟合器； - 稀疏选择机制消融（cMLP no-sparsity）：保留原本的深层非线性 MLP 结构，但将控制第一层权重矩阵行群稀疏（Group Lasso/Hierarchical Regularization）的正则化系数 \(\lambda\) 归零，移除对虚假时序依赖的先验压缩惩罚。
实验证明，深度模型对抗复杂假设违背的根本来源是“连续非线性函数逼近能力”与“结构化诱导稀疏先验”的高效耦合：非线性表达保证了在测量误差和非平稳波动下仍能拟合复杂时序流形，而层级稀疏正则则在噪声放大的多维特征中精准抑制了虚假因果边。
实验关键数据¶
主实验¶
主实验在 10 节点、\(T=1000\) 样本长度下展开，对比了理想基准环境与各类关键假设违背场景。下表展示了线性基准以及两类典型严重假设违背场景（强测量误差 \(\alpha=1.2\)、强潜变量混杂 \(\zeta=0.5\)）下的因果图恢复指标（AUROC/AUPRC，各 5 次随机试验均值与标准差）：
| 方法 | 类型 | 理想环境 AUROC | 理想环境 AUPRC | 测量误差 (α=1.2) AUROC | 测量误差 (α=1.2) AUPRC | 潜混杂 (ζ=0.5) AUROC | 潜混杂 (ζ=0.5) AUPRC |
|---|---|---|---|---|---|---|---|
| VAR | Granger 统计 | 99.7±0.3 | 96.3±4.4 | 85.2±8.9 | 65.6±18.8 | 86.0±2.7 | 31.4±4.0 |
| LGC | 稀疏 Granger | 100.0±0.0 | 100.0±0.0 | 84.5±7.4 | 66.9±17.4 | 90.9±3.3 | 42.5±7.3 |
| VARLiNGAM | 噪声结构方程 | 48.2±5.5 | 11.8±0.8 | 58.2±5.1 | 13.7±1.8 | 51.1±3.3 | 11.7±0.7 |
| PCMCI | 约束条件独立 | 98.2±0.9 | 79.1±8.8 | 91.3±6.0 | 68.5±11.9 | 76.3±2.2 | 21.0±1.4 |
| DYNOTEARS | 连续优化分数 | 100.0±0.0 | 100.0±0.0 | 76.8±9.3 | 57.4±17.1 | 91.1±6.2 | 47.1±10.8 |
| NTS-NOTEARS | 神经连续优化 | 52.0±3.9 | 14.6±7.1 | 52.5±4.9 | 13.0±3.8 | 82.8±8.4 | 38.0±10.9 |
| TSCI | 动力系统拓扑 | 58.8±6.7 | 27.0±9.3 | 47.3±6.1 | 11.7±2.0 | 57.3±8.8 | 18.9±2.3 |
| cMLP | 深度学习 | 99.9±0.0 | 99.8±0.3 | 84.1±9.8 | 58.4±16.6 | 99.8±0.3 | 99.2±1.4 |
| cLSTM | 深度学习 | 100.0±0.0 | 100.0±0.0 | 99.6±0.1 | 97.9±0.8 | 99.9±0.1 | 99.2±0.8 |
| CUTS | 深度时空图网络 | 96.8±1.3 | 80.8±8.9 | 90.1±7.1 | 64.6±14.9 | 83.9±10.2 | 58.3±17.3 |
| CUTS+ | 深度时空图网络 | 100.0±0.0 | 100.0±0.0 | 99.4±0.3 | 96.0±2.9 | 95.8±2.8 | 88.5±5.3 |
在非线性 Lorenz-96 动力系统（\(F=10\)）下，传统统计与线性方法显著退化，而深度学习方法（特别是 cLSTM 和 CUTS+）在测量误差（CUTS+ 达到 96.7% AUROC / 94.6% AUPRC）和隐变量干扰下仍保持极高精度，显著领先第二梯队。
消融实验¶
为了验证 cMLP 的抗扰动机制，作者在 10 节点、\(T=1000\) 设置下将基准与全部 8 类假设违背场景综合聚合（共 45 个实验结果），消融了激活函数与稀疏约束项：
| 模型配置 | 实验场景 | 综合 AUROC (均值±标准差) | 综合 AUPRC (均值±标准差) | 结论与机制分析 |
|---|---|---|---|---|
| cMLP (完整模型) | 线性基准及违背 | 89.52±17.41 | 79.22±29.95 | 完整保持非线性表达与群稀疏先验 |
| cMLP (完整模型) | 非线性基准及违背 | 71.77±19.46 | 62.12±24.95 | 在复杂混沌与干扰下综合最优 |
| cMLP-linear (无非线性) | 线性基准及违背 | 91.08±15.59 | 81.50±26.44 | 线性假定在线性流形上略有先验优势 |
| cMLP-linear (无非线性) | 非线性基准及违背 | 58.34±7.15 | 44.46±8.95 | 非线性动力学下大幅崩溃（AUPRC 暴跌 17.66%） |
| cMLP (no sparsity) | 线性基准及违背 | 76.80±18.65 | 52.06±31.03 | 去掉稀疏约束后 AUPRC 锐减 27.16%，虚警边剧增 |
| cMLP (no sparsity) | 非线性基准及违背 | 67.11±18.38 | 56.71±22.41 | 失去边剪枝能力，因果骨架重构信噪比显著恶化 |
关键发现¶
- 没有全局全能王，但深度模型普遍领跑：在考察的 11 类算法中，没有任何单一算法在所有 8 种破坏场景中均达到第 1，但综合鲁棒性最高的算法几乎被深度学习模型（cLSTM、CUTS+、cMLP）包揽。CUTS+ 凭借粗到细候选预筛选与消息传递 GNN 迭代插补，在跨场景汇总均值中取得最高 AUPRC（10 节点达 75.07%，15 节点达 67.17%）。
- NTS-NOTEARS 的“标准化依赖症”：在 i.i.d. 静态图因果发现中，已有理论证明 NOTEARS 等连续优化方法依赖于数据的“方差可排序性（Variance-Sortability）”，一旦对数据做标准化，性能便断崖式下跌；然而在时序领域，NTS-NOTEARS 在原始基准数据上因优化病态表现极差（AUROC 仅 52.0%），但一旦施加时序 Z-score 标准化，其 AUROC 瞬间暴增至 99.8%，AUPRC 达到 98.1%。这揭示了时序标准化不仅破坏了方差捷径，反而可能极大地重整了基于神经网络的时序约束梯度曲率。
- 插值策略不改变核心结论：在处理时间序列随机缺失时，对比 ZOH（零阶保持）、GP（高斯过程）和线性插值三种填充范式，所有算法在因果图重构上的性能指标几乎完全一致，说明对现有 TSCD 算法而言，观测时点的破损是主导瓶颈，局部插值平滑方式的影响在宏观图重构中微乎其微。
- 超参数敏感性分化：深度模型在线性数据下因模型容量过剩，对超参（学习率、稀疏惩罚项）展现出较高的方差波动（高敏感）；而在复杂的非线性混沌系统下，深度学习模型的方差显著低于传统统计方法，展现出更强的自适应稳定性。
亮点与洞察¶
- 建立 TSCD 鲁棒性系统评测范式：首次将真实世界不可避免的 8 种模型误设统一在完备的受控实验体系中，破除了“在完美假设生成数据上打榜”的虚假繁荣。
- 澄清了时序领域中数据预处理的双刃剑效应：明确发现 Z-score 标准化与 Min-Max 归一化对不同因果发现范式的迥异冲击，特别是纠正了学术界直接把 i.i.d. 静态连续优化的反标准化结论硬套到时序领域的认知偏差。
- 从算法评测反哺实用选型指导：对工业界与科研下游应用（如医学、自动驾驶故障根因定位）给出了明确的工程指导——当数据存在强测量噪声或潜在混杂时，首选端到端深度学习方法，且必须同时汇报原始、标准化与归一化三种前处理下的结果。
局限与展望¶
- 作者承认的局限：目前的评测聚焦于连续规则采样的多维时序（即便缺失也是插补后对齐输入），尚未覆盖现实物联网和医疗事件日志中极常见的异步不规则事件点过程（Event Sequences）。
- 潜在改进方向：当前评测基准所考虑的非平稳性主要建模为噪声方差的时变漂移与系数缓慢滑动，未来需引入因果图拓扑结构发生离散相变的突变场景（Structural Regime Shift）；此外，大语言模型辅助因果图生成的鲁棒性亦是前沿补充方向。
相关工作与启发¶
- vs TCD-Arena (Stein et al., ICLR 2026): TCD-Arena 仅在受限的线性基准下引入了部分假设违背，彻底忽略了非线性混沌系统，且未将代表性的拓扑学因果发现（如 TSCI）以及最新的深度图网络方法（CUTS/CUTS+）纳入基准；CausalCompass 补齐了线性与非线性双轨基准，填补了深度学习时序因果发现在多场景破坏下的认知空白。
- vs TimeGraph (Ferdous et al., KDD 2025): TimeGraph 仅评测了基于约束类的传统方法（如 PCMCI），缺乏灵活的扰动强度参数化接口；CausalCompass 覆盖了 6 大流派 11 种算法，并开源了开箱即用的高扩展性 Python 评测包。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次建立覆盖 8 大假设违背与深度时序因果发现算法的综合基准体系。
- 实验充分度: ⭐⭐⭐⭐⭐ 超过 11 万次运行，系统对比 11 种算法，兼备敏感性测试与机理消融。
- 写作质量: ⭐⭐⭐⭐⭐ 逻辑结构严整，深入探讨了不同前处理和模型架构的内在影响机制。
- 价值: ⭐⭐⭐⭐⭐ 极具现实指导意义，有力推动时间序列因果推断由理想假设向实用主义落地演进。