تدرس هذه الورقة اكتشاف السببية في السلاسل الزمنية التي يتم أخذ عينات منها بشكل غير منتظم - وهي تحدٍ حيوي في مجالات تتطلب دقة عالية مثل المالية والرعاية الصحية وعلم المناخ، حيث تشوه البيانات المفقودة وترددات أخذ العينات غير المتسقة الآليات السببية. تفشل الطرق التقليدية (مثل سببية جرانجر، PCMCI) في التوفيق بين التفاعلات متعددة المقاييس (مثل العواصف الساعية مقابل التحولات المناخية لعقد)، بينما تفتقر الأساليب العصبية (مثل CUTS+) إلى القابلية للتفسير، مما ينشأ من فجوة حاسمة: تفترض الأطر الحالية إما بصرامة انتظامًا زمنيًا أو تجمع الديناميكيات إلى تمثيلات غير شفافة، متجاهلة التفاصيل الواقعية والمنطق القابل للتدقيق. لسد هذه الفجوة، نقترح ReTimeCausal، وهو تكامل مبتكر لنماذج الضوضاء الإضافية (ANM) وتوقع-تعظيم (EM) الذي يوحد تعبئة البيانات الموجهة بواسطة الفيزياء مع الاستدلال السببي المتناثر. من خلال الانحدار المتناثر المعتمد على النواة والقيود الهيكلية، تقوم ReTimeCausal بشكل تكراري بتنقيح القيم المفقودة (خطوة E) والرسوم البيانية السببية (خطوة M)، مما يحل القضايا المتعلقة بالتبعية المتقاطعة والتخلف في البيانات. تبيّن التجارب الواسعة على مجموعات بيانات اصطناعية وحقيقية أن ReTimeCausal يتفوق على الأساليب المتقدمة الحالية في ظل ظروف صعبة من عدم انتظام أخذ العينات والبيانات المفقودة.
درس لي وآخرون (الجمعة) هذا السؤال.