CASE-NET：基于因果注意力和通道重校准的多变量时间序列分类深度时空表示学习
机器学习
2026-05-22 v1
摘要
多变量时间序列(MTS)分类是 pervasive 计算和金融分析中的基础任务，但现有的多尺度范式常受限于次优的表示保真度。在此基础上，我们识别出两个关键瓶颈：标准编码器中时间非因果性导致非平稳动力学中的时间混淆；缺乏显式通道显著性机制导致噪声污染潜在空间。在解决这些挑战后，我们提出Causal Attention and Spatio-temporal Encoder Network(CASE-NET)，一个为结构流形预条件化而设计的体系结构。CASE-NET融合了Causal Temporal Encoder，通过掩码自注意力和因果卷积强制执行物理时间箭头约束，以及一个自适应通道重校准模块，作为信息瓶颈以抑制有害噪声。全面的评估表明，CASE-NET在六个异构领域中建立了四个任务的新SOTA基准，达到在AWR数据集上98.6%的峰值准确率，并在非平稳情形下表现出卓越的鲁棒性。
引用
@article{arxiv.2605.22043,
title = {CASE-NET: Deep Spatio-Temporal Representation Learning via Causal Attention and Channel Recalibration for Multivariate Time Series Classification},
author = {Fan Zhang and Yating Cui and Hua Wang},
journal= {arXiv preprint arXiv:2605.22043},
year = {2026}
}
备注
9 pages, 6 figures, 2 tables