融合动态样本选择器的时序因果关系挖掘方法.pdfVIP

小型微型计算机系统2025年4月第4期

DOI:10.20009/j.cnki.21-1106/TP.2023-0561

JournalofChineseComputerSystemsVol.46No.42025

融合动态样本选择器的时序因果关系挖掘方法

王梓行1,234,李帅1,2.3,周晓锋1,2,3

1（中国科学院网络化控制系统重点实验室，沈阳110016）

2（中国科学院沈阳自动化研究所，沈阳110016)

3（中国科学院机器人与智能制造创新研究院，沈阳110169）

4（中国科学院大学，北京100049）

E-mail:lishuai@sia.cn

摘要：时序因果关系挖掘一直是一个备受关注的研究领域，然而当前基于神经网络的时序因果关系挖掘方法会受到数据集

样本不均衡的影响，从而导致因果信息的丢失，因果关系挖掘准确率下降，为解决这一问题，本文提出了一种融合动态样本选择

器的时序因果关系挖掘方法，首先，本文通过一个智能体动态选择样本以构建动态训练集，有效解决了因样本不均衡而导致的

因果信息丢失问题；然后，使用动态训练集对时序因果关系挖掘网络进行训练；最后，计算因果关系挖掘网络训练后得到的权重

模值，获取因果关系图.实验结果表明本文提出的方法在时序因果关系挖掘性能上显著优于现有的基线方法.该方法为解决时

序因果关系挖掘中的样本不均衡问题提供了一种新的思路.

关键词：动态样本选择器；样本不均衡；时序因果关系挖掘；神经网络；智能体

中图分类号：TP181文献标识码：A文章编号：1000-1220(2025)04-0783-06

TimeSeriesCausalDiscoveryMethodwithDynamicSampleSelector

WANGZihang.,IShuai,ZHOXiaofeg*.

1(KeyLaboratoryofNetworkedControlSystems,ChineseAcademyofSciences,Shenyang110016,China)

2(ShenyangInstituteofAutomation,ChineseAcademyofSciences,Shenyang110016,China)

3(InstitutesforRoboticsandIntlligentManufacturing,ChineseAcademyofSciences,Shenyang110169,China)

4(UniversityofChineseAcademyofSciences,Beijing100049,China)

Abstract:Timeseriescausaldiscoveryhasalwaysbeenaconcernedfieldofresearch.However,currentneuralnetwork-basedmethods

forminingtimeseriescausalrelationshipsareinfluencedbysampleimbalancefromdatasets,whichresultsinthelossofcausalinfor-

mationandthedecreaseaccuracyofcausalrelationshipmining.Tosolvethisproblem,thispaperproposesatimeseriescausaldiscov-

erymethodwithdynamicsampleselector.Firstly,weconstructadynamictrainingsetbydynamicallyselectingsamplesthroughana-

gent,whicheffectivelysolvestheproblemofcaus