具有习得可靠性信号的面板数据的时间因果先验数据拟合网络
Temporal Causal Prior-Data Fitted Networks for Panel Data with Learned Reliability Signals
摘要
估计工业时间序列中的因果效应需要处理时间动态、随时间变化的处理方法和未观察到的混杂因素。现有的因果基础模型（CausalPFN、CausalFM）仅适用于静态横截面数据；神经时间方法（CRN、G-Net）需要按数据集进行训练；并且并发时间 PFN 提案尚未在工业规模上得到证实。没有一个输出明确的每对可靠性信号及其 CATE 估计。我们介绍时间因果先验数据拟合网络（TCPFN），这是一种利用学习的可靠性信号进行零样本时间因果发现的基础模型。 TCPFN 做出了四个贡献：（1）因果判断头，联合预测无效概率、混杂强度、可识别性、中介分数和因果机制； (2) 混合训练先验，涵盖六种因果机制（独立、直接、混杂、中介、时变混杂、反馈）以及 CausalFM 风格的前门和工具变量先验； （3）具有交叉注意屏蔽的离散词元面板数据架构，可防止跨水平泄漏； (4) 通过基于 FAISS 的上下文选择和一步后验校正实现工业规模的零样本推理。在跨五个领域的 19 个基准数据集上，TCPFN 实现了有竞争力的零样本因果发现：AUROC 在 Tennessee Eastman 上为 0.96，在 SWaT 上为 0.93，在 Causal Rivers 上为 0.98，在 CAUSRCA 上为 0.97。零检测器达到 NullF1 0.94、AUROC 0.99。 TCPFN 在单个 GPU 上可在 6 小时内在专有牛皮纸浆纸数据集上扩展到 V=1,275； PCMCI（仅包含 CPU 的库）在相同数据的 V=666 子面板上花费了 81.5 小时，在 V=1,275 时按 O(V^2) 外推至约 12.5 天。 TCPFN 的顶部边缘识别跨子系统因果关系，而 PCMCI 的表面仪器内控制器测量耦合——可扩展性案例研究。