Caformer：从因果视角重新思考时间序列分析
机器学习
2024-03-14 v1
摘要
时间序列分析是一项在众多领域具有广泛应用的重要任务。然而，在非平稳时间序列中有效捕捉跨维度和跨时间依赖性面临重大挑战，尤其是在环境因素的背景下。由环境引发的虚假相关混淆了跨维度和跨时间依赖性之间的因果关系。本文从因果视角引入了一个用于时间序列分析的新颖框架，称为 Caformer（因果 Transformer）。具体而言，我们的框架包含三个组件：动态学习器、环境学习器和依赖学习器。动态学习器揭示维度间的动态交互，环境学习器通过后门调整减轻由环境引起的虚假相关，依赖学习器旨在推断跨时间和跨维度的稳健交互。我们的 Caformer 在五个主流时间序列分析任务（包括长短期预测、填补、分类和异常检测）中展示了一致的领先性能，并具有适当的可解释性。
引用
@article{arxiv.2403.08572,
title = {Caformer: Rethinking Time Series Analysis from Causal Perspective},
author = {Kexuan Zhang and Xiaobei Zou and Yang Tang},
journal= {arXiv preprint arXiv:2403.08572},
year = {2024}
}