2025年9月19日，北京大学智能计算与感知实验实验室博士研究生毕廷竹同学作为第一作者身份投稿的论文“UnCLe: Towards Scalable Dynamic Causal Discovery in Non-linear Temporal Systems”被NeurIPS 2025录用。该论文的指导老师为智能计算与感知实验室马萌副研究员与王平教授。

 从观测时间序列中揭示因果关系对于理解复杂系统具有重要价值。尽管现有方法可以推断出静态的因果图，但现实中的系统经常展现出动态因果性——因果关系随时间演化，因此需要通过动态因果图来准确表征。

我们提出一套创新的基于深度学习的动态时序因果发现框架UnCLe。如图一所示，在训练阶段，UnCLe借助语义解耦的重建任务和基于自回归依赖建模的预测任务学习时序数据中每个语义通道中的变量间依赖关系。在后分析阶段，UnCLe支持通过基于时序扰动预测误差增益的动态因果发现和基于网络权重聚合的快速静态因果发现。 

图一 UnCLe因果发现框架概览 

UnCLe在大量合成与真实数据集上进行了验证。在合成的Lorenz96气象动态学、NC8非线性耦合、FINANCE财经等静态数据集，以及TV-SEM时变结构方程、ND8时变非线性耦合等动态数据集上，UnCLe取得了优于现有先进方法的因果发现准确度。此外，在MoCap动作捕捉数据集、大规模交通数据集METR-LA和PEMS-BAY等真实数据集上，UnCLe揭示了与真实物理机理相契合的因果发现结果，如图二、图三所示。实验结果表明，UnCLe填补了动态因果发现领域里的空缺，并对领域的未来研究起到了积极的推动作用。 

 图二（左）MoCap动作捕捉数据集中前向跳跃动作分解示意（右）UnCLe在该动作上的多阶段动态关节因果协作图  

图三 UnCLe在大规模交通数据集METR-LA（左）和PEMS-BAY（右）上的因果路网恢复结果

 NeurIPS是人工智能研究领域的顶级会议，也是中国计算机学会（CCF）推荐的A类会议，在全球范围内享有盛誉。NeurIPS 2025（The Thirty-Ninth Annual Conference on Neural Information Processing Systems）将于2025年12月2日至12月7日在美国圣地亚哥举办。