Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis

误会一：dynamic causal discovery 就是 static causal discovery 加一列 time

不是。trajectory rows 不是 i.i.d. samples。真实系统可能满足：

而我们只在 \(t_1,t_2,\ldots,t_N\) 看见 samples。若 gaps 不等，两个“相邻行”可能分别隔 0.1 秒和 0.8 秒；把它们都叫 one lag 会改变 transition semantics。

CADYT 的 target 是 continuous-time local dependency，不是任意 lagged predictability。

误会二：只要 \(X_i\) 的过去能预测 \(X_j\)，就是本文的 causal edge

不够。Granger-style statement 问“加入过去是否提升 prediction”；本文 Definition 1 问 \(X_i\) 是否进入 \(X_j\) 的 rate-of-change mechanism：

一个 indirect ancestor、共同振荡频率或同一初始条件，都可能提高 prediction，却不一定是 direct local parent。

误会三：“Theoretical Score Analysis”证明了 causal graph identifiable

没有。Lemma 1 / Theorem 2 说明，减掉跨 candidate models 相同的 constants 后，score 被下面形式 asymptotically upper-bounded：

这让它像 regularized log-likelihood / generalized BIC。Appendix 明确把“convergence 或选到 correct model”留作 future work。

更不能从 score theorem 跳到：

• greedy search 找到 global optimum；
• true graph 一定位于 candidate set；
• observational trajectory 唯一决定 causal direction。

误会四：主实验直接验证了 theory assumptions

恰好需要反过来读。Theorem 2 的 Assumption 1 要求 finite-dimensional kernel；主 experiments 使用 RBF kernel，而论文自己承认 RBF 不属于该 theorem 的 finite-dimensional case。Polynomial-kernel appendix results 更贴近 formal assumption。

所以证据是两条平行线：

• RBF：强 empirical performance；
• finite-dimensional kernels：score theorem 的 formal scope。

它们没有在 main setup 中完全重合。

误会五：论文中的“irregular sampling”覆盖了真实世界所有缺测

没有。主要 irregular benchmark 是 synthetic time gaps 围绕平均 \(\Delta t\) 做 20% jitter。它不是：

• 每个 variable 不同步采样；
• 大段 informative missingness；
• event-triggered sampling；
• measurement delay；
• 多速率 sensors；
• unknown timestamps。

“支持 arbitrary timeline 的 model”与“对任意 missingness process 都有 causal validity”差得很远。

误会六：graph recovery 就证明了 intervention semantics

也不是。local dependency 是 vector-field dependence；把 ODE 转成 trajectory-level DSCM 还要 dynamic stability 等 assumptions。论文引用的 formal route要求 asymptotic dynamics 不依赖 initial condition 地收敛到 unique element。

但实验里又有 undamped double-mass oscillator 与 hyper-chaotic Rössler。它们的 graph recovery 可以作为 derivative-dependency evidence，却不能不加说明地继承 stable-DSCM 的 causal-intervention解释。

最准确的判词是：

CADYT 是一条把 continuous-time dynamics、local causal structure 和 MDL search 接起来的有说服力路线，并在小到中型 controlled benchmarks 上显著减少 false edges；它的 causal interpretation、score theorem、greedy implementation 与 empirical scope 必须分层陈述。

想象你在看一段弹簧运动录像，但 camera 的 frames 不是等间隔的：

• frame 1 到 frame 2 隔 0.05 秒；
• frame 2 到 frame 3 隔 0.20 秒；
• frame 3 到 frame 4 隔 0.08 秒。

把每对相邻 frames 都当作“一步”，像用三把长度不同的尺子却都标成 1 米。模型可能发现位置、速度都很会预测彼此，却说不清谁进入谁的变化规律。

CADYT 的思路更像先重建物理法则：

sampled positions / velocities + actual timestamps
                    ↓
continuous-time GP dynamics model
                    ↓
candidate derivative parents
                    ↓
MDL: graph bits + function bits + unexplained-noise bits
                    ↓
greedy graph search

一个额外 parent 能降低 residual，但也要支付 structure / function bits。只有“解释力的节省”超过“模型变复杂的成本”，edge 才值得留下。

因此 score 不只是 graph metric；它在问：

哪个 parent set 给出了这条 trajectory 最短、仍可无损编码的 dynamical explanation？

Continuous-time data object

论文考虑 compact interval \(t\in[0,T]\) 上的 multivariate real-valued process：

underlying autonomous ODE 写作：

可见数据不是 \(F\)，而是一条或多条 sampled trajectory：

其中 \(t_{i+1}-t_i\) 可以不相等。

Edge 的 formal meaning

Definition 1 令 \(X_j\) locally depends on \(X_i\)，当：

于是 graph node 是 process component，directed edge 是：

graph 可含 cycles；paper / code 也允许 self-dependence。它不同于 static DAG、time-slice DAG 与纯 Granger graph。

从 ODE 到 DSCM 的 bridge

论文引入 trajectory-valued equations：

这里 \(F_i\) 从 parent trajectories 映射到 effect trajectory。要把 ODE 的 asymptotic behavior 转成这种 DSCM，论文依赖 dynamic stability：不同 initial conditions 最终收敛到 unique asymptotic element。

之后还假设：

• causal sufficiency：没有未观测 process component 同时影响 observed nodes；
• \(\mu\)-Markov：graph absence 导出的 local independencies 反映在 trajectory distribution；
• \(\mu\)-faithfulness：data 中发现的 local independencies 也对应 graph absences；
• instantaneous-gradient assumption：causal relation 编码在 derivatives，而不是 instantaneous level effects；
• sampling-rate condition：若最高 frequency 是 \(\phi_{\max}\)，最大 gap 满足

最后一项类似 Nyquist discipline：采样过慢时，continuous dynamics 会 alias，graph learning 也失去可靠 evidence。

Observation-noise model

MDL derivation 使用 additive independent Gaussian observation noise：

并要求 components 间 noise independent。论文并未在 main method 中处理 process noise、correlated sensor noise、latent forcing 或 interventions changing equations。

GP dynamics object

trajectory samples 是 discrete，dynamics 是 continuous。论文用 \(s\)-step numerical integrator：

把 actual timestamps 对应的 integration coefficients 放进 GP kernel。实验主要使用 Adams–Bashforth orders 1、2、3。

GP posterior 可在 arbitrary test point 估 dynamics：

它提供 continuous-time regression engine；因果结构来自 parent-set restriction 与 score，不是“用了 GP 就有 causality”。

Benchmark worlds

main baselines 是 PCMCI+、DYNOTEARS、VARLiNGAM。metrics 是 NSHD、F1、AUPRC。

第一步：给每个 target node 定义 candidate parent model

对 \(X_i\) 与 parent set \(Pa_i\)，fit local dynamics：

若 \(Pa_i=\varnothing\)，paper appendix 用 trajectory mean 作为 no-parent encoding baseline。

第二步：付 structure bits

local graph structure cost 是：

第一项编码“有几个 parents”，第二项编码“它们是谁”。多加 parent 从来不是免费。

第三步：付 GP function bits

local function cost 记为：

其中 lengthscales \(\alpha_i\)、variance parameters \(\beta_i\) 与 kernel eigenvalues \(\Lambda_i\) 被编码到指定 precision；kernel matrix 用 SVD 表示。

第四步：付 unexplained data bits

GP 产生 trajectory prediction \(\tilde X_i(t)\)，计算 empirical residual noise variance \(\hat\sigma_i^2\)。Gaussian residual encoding 是：

parent fit 得越好，residual bits 越少；但复杂 GP / 大 parent set 又让 model bits 增加。

第五步：合成 global MDL score

lower is better。这个 score 被解释为对 trajectory + causal mechanism 的 lossless two-part code。

第六步：theory 实际证明什么

Assumption 1：kernel \(K\) finite-dimensional。
Assumption 2：lengthscale、variance parameters 与 encoding precisions bounded。

减掉在相同 \(N\) 的 candidate models 间不改变 model choice 的 constant \(C\)，Lemma 1 对每个 local model 给：

Theorem 2 把它求和为 global bound：

Corollary 3 说用原 \(L\) 与去 constant 后的 \(\bar L\) 做 model selection 等价。

最关键的停线：

第七步：用 gain 排 edge

加入 edge \(X_i\to X_j\) 的 compression gain：

\(\Gamma_{ij}>0\) 表示加入 edge 让 description 更短。数值越大，论文把它当作越高 edge confidence，并用于 AUPRC ranking。

第八步：greedy forward + backward

CADYT 三段：

1. edge scoring：pairwise gains 建 priority queue；
2. forward search：尝试高 gain edges，并重算同一 child 的 incoming-edge scores；no-hypercompression inequality 作 significance gate；
3. backward search：删除加入后变 redundant 的 edges。

这是 practical heuristic，不是 exhaustive graph search。overall bound：

其中 GP fit 的 \(N^3\) 是 runtime 主导项；理想 edge parallelization 可把 loose bound 降到 \(O(N^3D^2)\)。

Toy 1：同一个 lag number，可能是不同 real time

令一个 scalar process 满足：

exact transition 是：

若第一段 gap \(h=0.1\)：

若下一段 gap \(h=0.4\)：

两者在 table 里都是“下一行”，实际 decay multiplier 却完全不同。固定一步的 VAR/DBN 若忽略 timestamps，会被迫用同一个 coefficient；continuous-time integrator 则把每个 \(h\) 放进 coefficients。

这就是 irregular sampling 不是小 cosmetic issue 的最短例子。

Toy 2：Diamond graph 里 indirect ancestor 不应变 direct edge

论文 Diamond dynamics：

直接求 partial derivatives：

所以 local-dependency graph 是：

A -> B -> D
 \-> C -> D

\(A\) 会间接影响 \(D\)，但不是 \(D\) derivative 的 direct parent。

Toy 3：手算 MDL 为什么不把所有相关 variables 都塞进去

下面沿用 paper score 的 dominant residual term，但用 illustrative bit budgets；不是作者实验数值。

假设 \(N=20\)，为 \(D\) 比较四个 parent sets：

忽略所有 candidates 相同的 constants，data term 用：

于是 approximate totals：

\(\{A,B,C\}\) residual 最小，却不是 total code 最短；额外 direct edge \(A\to D\) 省下的 noise bits 不够支付 complexity bits。MDL 选择 \(\{B,C\}\)，与 derivative graph 一致。

这个 toy 也说明：edge confidence \(\Gamma\) 是 score improvement，不是 posterior causal probability。

Empty graph：false-positive sanity check 很强

10 个 4-variable independent-ODE graphs 中，main text reports：

• CADYT AB3：0 次产生 spurious edge；
• VARLiNGAM：30% runs 有 spurious edges；
• PCMCI+：60%；
• DYNOTEARS：100%。

Appendix Table B.2 的 NSHD mean (std)：

这支持 CADYT 的 sparsity / false-positive discipline；它不单独证明 non-empty graphs 的 orientations 都对。

Diamond：exact table 支持 regular 与 mild-irregular robustness

Appendix Table B.3：

这里 finite-dimensional Polynomial kernel 反而最好，使 empirical 与 theory scope 在这个 benchmark 上对齐得更好。

Random graphs：优势主要来自 precision，不是每项都碾压

Figures 2–3 汇总 \(D=5,10,15\)、regular / irregular、cyclic / acyclic mixed、20 seeds：

• CADYT 的 NSHD 随 \(D\) 增长仍约保持在 0.1 左右，baselines 多在约 0.3–0.7；
• AUPRC 约保持 0.6–0.7，baselines 随 \(D\) 增大降到约 0.1–0.25；
• F1 在 \(D=5\) 只与 strongest baselines 相近，优势随 graph size 增长更明显；
• 所有 methods 在 irregular sampling 下都有轻微退化。

这更支持“少报 spurious edges、high-confidence edges 更可靠”，而不是所有 recall / F1 维度都始终绝对最好。

Integration order：AB2 / AB3 通常优于 AB1

Figure 4 在 irregular ER graphs 上比较 AB1、AB2、AB3。higher order 通常降低 NSHD、提高 AUPRC；cycles 下 AB1 deteriorates，AB2/AB3 相对稳。

这是 dynamics approximation 影响 graph discovery 的直接 evidence：timing / integrator 不是 backend 细节。

Spring 与 Rössler：有 exact numbers，也有 formal caveat

Polynomial Rössler 更好：NSHD \(0.166\pm0.021\)，AUPRC \(0.592\pm0.130\)。

但 evidence wording 要分开：

• graph-recovery performance：强；
• stable-DSCM causal interpretation：undamped / chaotic dynamics 下不由前述 stability bridge直接保证。

Runtime：accuracy 不是免费的

Appendix Table C.6 的 seconds：

ER-15 AB3/RBF 的 mean 约 2.67 hours；远慢于三条 baseline。paper 的 asymptotic “on-par”与“parallelizable”不能替代 wall-clock table。

experiments 使用 AMD EPYC 7643 CPU、60 GB RAM，并平行化 greedy search。部署到大 \(N,D\) 前，GP cubic cost 是实质 bottleneck。

证据层级必须分成四层

不存在的一步是“第四层实验成功，所以第一到三层 assumptions 在真实系统已验证”。

论文最强之处：edge meaning 与 sampling model 被放在同一方法里

很多 time-series causal methods把 actual elapsed time折叠成 lag index；很多 continuous-time learners 又只追求 trajectory fit。CADYT 把二者接起来：

这使 irregular time grid 与 graph structure 不再是两个互不相干的 preprocessing / evaluation choices。

score decomposition 很适合阅读和审计

一个 edge 能否留下，可以追到三笔账：

• graph complexity；
• mechanism-function complexity；
• residual data complexity。

这种透明度优于只输出 adjacency matrix 的 black-box learner，也给 negative controls 与 ablations 留出明确位置。

最强替代解释：强 GP fit + conservative search，而非 causal identification

empirical advantage 可能有多重来源：

• continuous-time integrator 更匹配 DGP；
• GP flexible function class 提升 trajectory fit；
• MDL / threshold 更强抑制 false positives；
• baselines 未按 irregular continuous-time setting充分适配。

这些都是真正的方法贡献，但要证明“优势特别来自 AMC causal direction principle”，需要 matched ablations：同一 GP / integrator，只换 causal score或 orientation criterion。paper 只部分做到 kernel / integration-order ablation。

theory 与 main implementation 没完全闭环

theory 的 finite-dimensional kernel、exhaustive model-comparison语境，与 main RBF + greedy search 有两道 gap。appendix Polynomial results缓解第一道，仍没有解除第二道。

所以最稳妥的说法是：

theory validates a property of the scoring construction; experiments validate a practical greedy instantiation. Neither alone proves end-to-end causal consistency.

Formal causal scope 与 hardest experiments 有张力

dynamic stability 是 trajectory-DSCM bridge；hyper-chaos 与 undamped oscillation恰好挑战它。paper discussion自己把 chaotic-DSCM extension 留作 future。

这不让 Rössler result失效，而是改变它的 evidence label：

valid label:
  recovery of known derivative-dependency graph under a chaotic simulator

overclaim:
  validated DSCM causal intervention semantics for chaotic real systems

Primary code audit：release 有价值，但不是“一条命令复现论文”

official repository 包含 datasets、Hydra configs、GP score、greedy search、baselines 与 metrics，远比 placeholder release 完整。

仍有几个 reader 应知道的 seams：

• README 的 clone URL 仍写 FILL IN，CITATION 的 repository field 是 TO DO；
• default config 只有一个 active seed，paper 20-run sweep 要手动恢复；
• README 说 5 baselines，却在 bullet 只列 3；paper main 也只比较 3；
• Appendix Algorithm 3 的 forward update 写成 set subtraction，而 prose / released code 实际 add edge，显然需要按 code/prose 理解；
• appendix irregularity formula 少了 code 中的 factor 2，文字“20% means 0.8–1.2”与 code一致、与 printed formula 不一致；
• current search code default worker count 是 1、top-level parallel: False，paper 的 parallel runtime setup 需要另行配置。

这些不等于 algorithm 不可用；它们意味着 reproduction 要记录 exact commit、config 与 source-level reconciliation。

1. 没有 end-to-end graph consistency theorem。 Theorem 2 证明 score form / upper bound，appendix明确把 correct-model convergence 留作 future。
2. greedy search 可能卡在 local optimum。 理论讨论假设比较全部 graphs 才能完整使用 score；实际 graph space super-exponential，只走 forward/backward heuristic。
3. main RBF experiments 不满足 finite-dimensional-kernel assumption。 empirical success 与 theorem scope 需分开；Polynomial appendix才更直接落在 assumptions 内。
4. dynamic stability 很强。 many oscillatory、multi-attractor、non-stationary 或 chaotic systems不收敛到 initial-condition-independent unique element。
5. hardest benchmarks 超出 stable-DSCM bridge。 undamped spring 与 hyper-chaotic Rössler可测 local graph recovery，却不能自动证明 trajectory-level DSCM intervention semantics。
6. causal sufficiency 排除 latent drivers。 common forcing、unmeasured environment、hidden controller 会产生 spurious local dependencies；future heuristic 尚未验证。
7. \(\mu\)-Markov 与 \(\mu\)-faithfulness 未由数据检验。 cancellations、deterministic relations 或 symmetries 可使 graph edge 与 observed local independence错位。
8. sampling-rate condition需要知道 \(\phi_{\max}\)。 在未知 dynamics 中最高 frequency 往往也未知；max-gap violation 会 alias。
9. instantaneous-gradient assumption限制 edge semantics。 delayed effects、distributed lags、memory kernels、state-dependent delays不由简单 \(\partial_iF_j\) 表示。
10. autonomous setup 与部分 DGP 有张力。 Eq. 1 写 \(F(X)\)，Diamond / ER root equations显式用 \(t\)；若 time 是 exogenous parent，应在 formal graph 中说清。
11. noise model 太干净。 independent additive Gaussian observation noise不覆盖 correlated sensors、process noise、heteroskedasticity 与 state-dependent noise。
12. method 已知对 high noise敏感。 main noise std多为 0.001–0.005（Empty 0.05）；paper自己把 robust-to-noise machinery留作 future。
13. irregularity只做 mild synthetic jitter。 20% timing perturbation不是 sparse bursts、asynchronous variables 或 informative observation process。
14. real evidence 很少。 Real Double-Linear是唯一 measured-system benchmark，只有4 variables，且为了 baseline fairness只用 regular sampling。
15. graph sizes 小。 main ER只到 \(D=15\)；无法外推到 hundreds/thousands of sensors。
16. runtime 很重。 ER-15 AB3/RBF mean 9617 seconds，且 variance大；GP fit dominates。
17. AUPRC confidence不完全同尺度。 CADYT用MDL gain、PCMCI+用p-values、其他用edge weight；ranking可比，calibration / probability意义不可比。
18. NSHD可能掩盖edge-type成本。 missing、extra、reversed edges对实际控制系统的损害不同，\(D^2\) normalization又会随 sparsity改变直觉。
19. cycles 与 self-loops 的 intervention meaning未展开。 recovery adjacency不等于能对 feedback system做合法 surgical intervention。
20. MDL encoding choices会影响结果。 parameter precision、kernel、integrator、threshold、parent encoding都是 modeler choices，不是由 AMC 唯一规定。
21. no-hypercompression gate细节不足。 main text说明 significance check，但 public hyperparameter / calibration sensitivity 结果有限。
22. paper / code 有可复现 seam。 forward pseudo-code typo、irregularity formula factor、default seed / parallel settings 都需手工对齐。
23. 本导读没有重跑。 未安装两个 Python environments，也未重现 20-seed ER、baselines 或 runtime。

• 用 exhaustive search 在 \(D=3,4,5\) 上对照 greedy output，量 local-optimum gap；
• 用同一 continuous-time GP backbone 比较 MDL/AMC、BIC、plain likelihood、sparsity penalty，隔离 score contribution；
• 对 finite-dimensional Polynomial/Wendland kernels 做 main-scale benchmark，使 theory 与 empirical setup完全重合；
• 给 graph-selection consistency 一个正式 theorem，明确 true-model containment、dependent time-series regularity 与 precision limit；
• 构造 theorem assumptions逐项 violation：latent confounder、unfaithfulness、sampling below Nyquist、correlated noise；
• 在 stable、limit-cycle、multi-attractor、chaotic 四类 systems分别标注 DSCM interpretation status；
• 把 explicit time 作为 observed exogenous node重做 Diamond / ER roots，消除 autonomous-form gap；
• sweep irregularity 0–90%、long gaps、bursts 与 component-specific asynchronous clocks；
• 加 MNAR/event-triggered observation process，并与仅 timestamp jitter 区分；
• 对 noise level、noise correlation、process noise 与 heteroskedasticity画 recovery curves；
• 分开报告 precision、recall、reversal、extra、missing edges 与 calibrated edge confidence；
• 对 no-hypercompression threshold 做 sensitivity / false-discovery calibration；
• 增加 continuous-time causal baselines与 timestamp-aware neural ODE methods，而不只 discrete-time methods；
• 在多个真实 physical / biological / medical irregular datasets上用 interventions或known equations验证；
• 做 graph size \(D=20,50,100\) 与 trajectory length \(N\) scaling，报告 memory、wall-clock、energy；
• 用 sparse / inducing-point GP 或 lightweight dynamics model测试 speed–accuracy frontier；
• 对每个真实 edge给 mechanism-prediction ablation：移除 edge 后 OOD / intervention trajectory是否按预期坏掉；
• 发布 frozen Hydra sweep、all seeds、parallel worker count 与一键 table/figure scripts；
• 增加 paper equations vs code unit tests，特别是 irregular timeline 与 forward-search update。

它可以支持：

• continuous-time causal graph 可定义为 ODE vector field 的 local-dependency graph；
• irregular timestamps 应进入 dynamics inference，而不是被默认为 constant lag；
• multistep-integrator GP 提供一条在 arbitrary timeline 上学习 continuous dynamics 的 route；
• MDL score 可拆成 graph、function 与 residual encodings，并以 compression gain排序 edges；
• 在 finite-dimensional kernel 与 bounded-parameter / precision assumptions 下，score 有 asymptotic RLL/BIC-like upper bound；
• greedy CADYT 在 tested empty、Diamond、ER、spring 与 Rössler benchmarks上显著减少 false positives、降低 NSHD、提高 AUPRC；
• higher-order integration通常改善 irregular / cyclic graph recovery；
• Polynomial kernel appendix在多个 benchmarks上不弱于 RBF，并更贴近 theorem scope；
• accuracy gain带来明显 compute cost。

它不支持：

• trajectory data无 assumptions即可唯一识别 causal graph；
• Theorem 2 已证明 CADYT graph-selection consistency；
• greedy search 必然找到 global MDL minimum；
• RBF main result直接由 finite-dimensional-kernel theorem保证；
• 任意 irregular / missing / asynchronous sampling都有效；
• graph equality等于 dynamic mechanism、timing channel与intervention behavior全部相同；
• Rössler graph recovery验证了 stable-DSCM causal semantics；
• hidden confounding、delays、process noise或non-autonomous forcing已经解决；
• “parallelizable”意味着当前 method比 baselines wall-clock快；
• 一个 4-variable real spring benchmark足以证明 broad real-world generalization。

一句最安全的引用方式是：

Tagliapietra et al. 将 continuous-time local dependency、timestamp-aware GP dynamics 与 MDL graph search结合；其 score 在有限维 kernel 等 assumptions 下具有 BIC-like asymptotic regularized-likelihood form，practical greedy CADYT 在 controlled regular / mildly irregular benchmarks上显著改善 graph recovery，但 end-to-end consistency、stability scope 与 scalability仍是开放边界。

它强迫 dynamic claim 先填一张 object card

state components:
trajectory source:
sampling timestamps / gaps:
continuous or discrete target:
edge semantics: local derivative / lag / intervention
dynamics model:
integrator / time resolution:
noise process:
causal sufficiency / stability status:
score / search:
graph confidence:
downstream decision:

只给 adjacency matrix 而缺这些字段，reader无法知道 recovered edge到底是什么。

它把“机制保存”拆成至少四层

两个 environments 的 adjacency 相同，仍可能有：

• \(F_j\) functional form 改变；
• coefficient / strength 改变；
• lag / time constant 改变；
• observation grid / noise改变；
• attractor / stability regime改变。

所以：

B4 最适合被用作这个 guardrail，而不是被扩写成“graph就是完整机制”。

它给 evidence window 一个具体工程含义

continuous-time claim的 evidence不仅是 values，还包括 timestamps、max gap、frequency support与integrator。页面或 benchmark应显示：

observed window
sampling regularity
maximum gap
trajectory length
noise level
integration order

否则“irregular robust”只是 marketing label。

它给 score-based explanation 一个更安全的 projection

公开页面可展示：

• edge compression gain；
• alternative parent-set scores；
• residual improvement；
• model-complexity cost；
• assumptions / violation flags。

不要把 \(\Gamma_{ij}\) 投影成“causal probability 92%”。它是 relative code-length evidence。

如果只有 12 分钟

1. Abstract + Figure 1：看 continuous dynamics / irregular timestamps / graph 三个对象；
2. Definition 1：钉死 local dependency edge；
3. Section 3 的 Eq. 9–11：理解 MDL 总账；
4. Eq. 13、15、17：structure / function / noise 三笔 bits；
5. Theorem 2 statement：只读它实际 upper-bound 的对象；
6. Figure 2–3 + Table 1：看 graph recovery；
7. Appendix Table C.6：把 runtime 一起读；
8. Discussion：保留 greedy、noise、latent confounder、chaos 边界。

如果要真正理解 causal / theoretical claim

1. Eq. 1 与 Definition 1：ODE → local graph；
2. Definition 2 前后：dynamic stability 下的 DSCM bridge；
3. sufficiency、\(\mu\)-Markov、\(\mu\)-faithfulness、sampling-rate paragraph；
4. AMC 与 MDL background：最短 causal factorization只是 postulate / upper-bound route；
5. Section 3 全部 encoding equations；
6. Appendix Definition A.1/A.2、Lemma 1 proof；
7. Theorem 2 + Corollary 3；
8. Appendix 最后一段：确认 consistency仍是 future work；
9. 回到 RBF experiment paragraph：确认 theory / main-kernel gap。

如果要审 algorithm / experiments / code

1. Section 4 的 \(\Gamma_{ij}\) 与三段 search；
2. Appendix D 的 \(B\to A\leftarrow C\) scoring walkthrough；
3. Appendix E pseudocode，并与 released gds.py 对照 forward update；
4. Appendix B 的 exact ODEs、noise与20% timeline generation；
5. Tables B.2–B.5：不要只看 main plots；
6. Table C.6：runtime与accuracy一起判；
7. official repository README、Hydra datasets/experiments、GPScore、greedy search；
8. 最后再决定是否重跑 Diamond + one ER-5 regular/irregular wedge。

Primary sources inspected

• AAAI 2026 official article page
• AAAI official proceedings PDF
• Author preprint with extended appendix
• Official CADYT code repository
• DOI record

What was verified from those sources

• ODE, local-dependency graph and trajectory-level DSCM definitions;
• causal sufficiency、\(\mu\)-Markov / faithfulness、dynamic stability and sampling-rate assumptions;
• multistep-integrator GP construction and MDL structure / function / residual terms;
• finite-dimensional-kernel assumptions、Lemma 1、Theorem 2、Corollary 3 and consistency boundary;
• edge gain、greedy forward/backward flow and complexity;
• exact Empty、Diamond、Double-Mass、Double-Linear、Rössler tables and runtime table;
• 20-seed main synthetic setup、10-run physical-system statement and 20% irregular timeline definition;
• official repository’s configs、datasets、GPScore、search code、dependencies and current documentation seams.

Projection boundary

本文档是面向 reader 的 source-grounded 中文解释，不是 formal proof review 或 independent reproduction。我们没有：

• 安装 / 运行 CADYT 或 baseline environments；
• 重做 GP exact-inference derivation；
• 验证 every MDL code satisfies Kraft inequality in implementation；
• 重跑 20 seeds、10-run physical benchmarks 或 wall-clock；
• 独立证明 graph-selection consistency；
• 解决 dynamic-stability 与 oscillator / chaos experiment 的理论外推；
• 判定 appendix / code seams 的作者意图。

因此 numerical results 是对 official paper / author appendix 的核对转述；code observations 是 static source audit，不是 executed bug report。任何新 system 的 causal claim 都需要重新验证 sampling、stability、sufficiency、noise、model class 与 decision semantics。