时间序列因果推断想解决的，不是“未来会怎样”，而是“为什么这样、干预会怎样”。现实里的序列数据往往非平稳、机制会切换，处理与混杂随时间变化，采样还可能不规则或被子采样，导致传统因果假设很难直接套用。近三年顶会顶刊（NeurIPS/ICLR/ICML/JMLR/AISTATS/IJCAI）集中涌现了一批工作：一条线用表示学习、状态空间与长序列模型做更稳的反事实预测；另一条线在非平稳、混合机制、事件序列等场景推进可识别的因果发现与机制变化定位。本文精选顶会顶刊时间序列因果推断代表论文，帮助你快速把握该领域最前沿的发展脉络。

1.UnCLe: Towards Scalable Dynamic Causal Discovery in Non-linear Temporal Systems

【创新点】 提出 UnCLe 框架，通过 “Uncoupler–Recoupler” 网络分解时序输入并估计动态因果影响，可捕捉随时间变化的因果结构；显著提升动态系统中的因果发现能力。

【方法】UnCLe采用一对解耦器（Uncoupler）和重组器（Recoupler）网络来分离输入时间序列的语义表示，并通过自回归依赖矩阵学习变量间的依赖关系。

【实验】通过在合成数据和真实世界动态系统（如人类运动）上的广泛实验，UnCLe不仅超越了现有的静态因果发现基准，还展现了准确捕捉动态因果性的独特能力。

2.Transforming Causality: Transformer-Based Temporal Causal Discovery with Prior Knowledge Integration

【创新点】基于 Transformer 的因果发现框架，可学习复杂非线性长距离依赖；引入先验知识掩码机制以抑制虚假因果，提升因果结构及滞后时间的估计准确度。

【方法】 论文提出了一种基于多层Transformer的时间序列预测器，以捕捉变量之间的长程非线性时间关系。通过梯度分析从预测器中提取潜在的因果结构和相关的时间滞后，构建因果图。同时，引入基于注意力掩码的先验知识集成机制，以减轻虚假因果关系的影响。

【实验】 广泛的实验表明，该方法显著优于其他最先进的方法，实现了12.8%的性能提升。

3.Multi-Band Variable-Lag Granger Causality: A Unified Framework for Causal Time Series Inference across Frequencies

【创新点】推广 Granger 因果推断到频域可变时滞情形，通过区分不同频带的因果滞后，理论证明更灵活适配复杂物理与神经信号因果结构。

【方法】 作者通过对传统可变滞后Granger因果性（VLGC）的推广，引入了频率依赖的因果延迟模型，从而可以针对不同频率带内的数据调整滞后时间。

【实验】通过在多个领域的合成数据和真实世界数据集上进行的大量实验，证明了MB-VLGC框架相较于现有方法具有显著性能提升，相关代码和数据集已公开。

4.STOAT: Spatial-Temporal Probabilistic Causal Inference Network

【创新点】提出时空概率性因果推断网络 STOAT，在地理/网络结构上同时联立空间和时间因果信息，融合空间关系矩阵与深度概率建模，适合疫情传播等多区域预测任务。

【方法】  STOAT通过集成空间关系矩阵到因果推断方法中，处理时空因果时间序列数据，并使用深度概率模型来估计分布参数，从而进行校准的不确定性建模。

【实验】研究者在COVID-19数据集上进行了实验，数据覆盖六个国家，结果显示STOAT在具有强烈空间依赖性的地区关键指标上超越了现有的概率预测模型（如DeepAR、DeepVAR、Deep State Space Model等）。