论文
综合时间序列分类数据集的因果 DAG 先验
A Causal DAG Prior for Synthetic Time-Series Classification Datasets
摘要
先验数据拟合网络学习由先验训练引起的后验预测；因此，将这种范式引入多元时间序列分类需要一个合成生成器来生成具有时间结构的完整标记数据集。我们引入了因果先验，它从跨两种模态（表格属性和时间序列）的类型节点上随机采样的 DAG 合成每个数据集，本地生成具有跨通道、时间步长和标签的跨模态因果结构的多元、多类 TSC 数据集，这是现有合成先验无法解决的机制。为了验证先前的结果，我们以最小的调整对 TabPFN v2.5 进行了微调，并在 TabPFN 的运行机制内对 75 个 UCR/UEA 数据集进行了评估。我们的生成器上的微调显着优于未修改的上游模型和相同先验的仅表格消融（ROC-AUC 上的 Wilcoxon 符号秩 $p=3.0\times 10^{-8}$），隔离了跨模式时间结构的贡献。