用于逼真时间序列生成的对抗性因果调优
机器学习
2026-05-13 v2 机器学习
摘要
我们解决了从具有与给定真实数据集相同的观测分布和干预分布的因果模型（概率因果数字孪生）生成模拟且逼真的时间序列数据的问题。虽然非因果模型（例如 GAN）也努力模拟逼真的数据，但因果模型从根本上更强大，能够模拟干预的效果（假设场景）、优化决策、执行根因分析和反事实因果推理。我们引入了对抗性因果调优（ACT）方法，该方法输出拟合数据的最优因果模型，并量化其拟合优度。返回的因果模型随后可用于模拟新数据或执行其他因果推理任务。ACT 采用了生成对抗网络训练和 AutoML 的思想，以搜索最优因果管道和检测真实数据与模拟数据分布之间偏差的判别器。它还改编了来自既有因果调优方法的置换检验程序，以惩罚模型的复杂性。通过在真实、半合成和合成数据集上的大量实验，我们表明： 采用多个优化后的判别器对于选择最优因果模型和量化拟合优度至关重要； ACT 在合成数据集中选择了最优因果模型，同时避免了过拟合，生成了与真实数据分布难以区分的数据； 所有最先进的生成和因果模拟方法在重现真实数据分布方面都有改进空间；生成逼真的时间数据仍然是一个开放的研究挑战。
引用
@article{arxiv.2506.02084,
title = {Adversarial Causal Tuning for Realistic Time-series Generation},
author = {Nikolaos Gkorgkolis and Nikolaos Kougioulis and MingXue Wang and Bora Caglayan and Andrea Tonon and Dario Simionato and Ioannis Tsamardinos},
journal= {arXiv preprint arXiv:2506.02084},
year = {2026}
}
备注
22 pages, 3 figures