美国田纳西大学查塔努加分校（UTC）计算机科学团队于2026年10月21日披露，论文《SCDM: Scalable Causal Discovery in Nonlinear Temporal Systems with Meta-Learning》已被NeurIPS 2026主会接收。UTC官方报道称，SCDM针对交通网络、脑成像等非线性时间系统中的因果关系发现问题，核心思路是引入元学习，把每个变量的预测视为一个任务，同时共享预测模型和用于衡量因果关系强度的映射，而不是为每个变量分别训练模型。\n\n这类问题的计算规模会随变量数量快速增长。UTC以3000个交通传感器为例，潜在的因果连接接近900万条。报道介绍，SCDM在训练过程中使用小规模随机样本，逐步构建完整系统的因果图，以降低一次性处理全部变量带来的计算和显存压力。团队在模拟脑成像数据和更大规模模拟数据上进行了测试，并使用洛杉矶高速公路3000个传感器的数据进行验证。按照校方披露的结果，SCDM相较对比方法运行速度约快23倍，GPU内存使用量约为其十四分之一；这些性能数字来自研究团队和学校的报道，尚未在本文所用来源中看到独立复核。\n\n这项工作的价值不在于简单增加模型规模，而在于尝试把元学习用于大规模因果发现，使机器学习模型能够在共享计算结构的同时处理不同变量之间的关系。若后续研究能在更多真实数据、不同噪声条件和跨领域场景中复现结果，它可能帮助研究人员分析脑区相互影响、交通拥堵传播，以及电网、环境监测和工业设备中的时序依赖。需要注意的是，现阶段可核实信息主要来自UTC的新闻稿，论文已被接收并不等同于方法已经形成成熟产品或在所有场景中优于现有方案。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
