论文
通过上下文条件和因果增强预训练进行时间序列因果发现
Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining
摘要
从时间序列中发现因果关系对于许多现实世界的应用程序至关重要，例如追踪异常的根本原因。现有方法通常依赖于特定于数据集的优化，因此很难将其因果发现能力转移到由不同因果机制控制的新时间序列。在本文中，我们提出了 \textbf{PTCD}，一种新颖的 \textbf{P} 再训练框架，用于 \textbf{T}ime-series \textbf{C}ausal \textbf{D}iscovery，它通过上下文条件建模和可转移因果增强来改进跨任务泛化。为了对复杂的时间因果依赖性进行建模，PTCD 采用双尺度迭代注意机制来捕获窗口级因果关系，并采用具有上下文级路由机制的高斯混合来处理异构外生分布。为了进一步解决因果图中的分布变化，PTCD 在合成数据集上采用了预训练范式，该范式集成了基于干预的学习和因果混合策略，促进稳定的因果发现和更强的泛化。对多个现实世界的分布外 (OOD) 数据集进行的大量实验表明，PTCD 在因果发现和根本原因识别方面均表现出色。