基于扩散模型的因果时间序列生成
机器学习
2026-05-15 v3
摘要
时间序列生成（TSG）合成真实序列并取得了显著的成功。然而，在条件生成中，模型仅学习观察相关性，未考虑不可观测混杂因素。本文提出了条件TSG的因果视角，引入因果时间序列生成作为一种新的TSG任务族，并在珀尔的因果梯阶中进行形式化，扩展至干预性和反事实性场景。为实现这些任务，我们开发了CaTSG——一个基于扩散的统一框架，采用背门调整指导机制，对采样过程进行因果引导，以实现对所需干预和个体反事实的精准控制，同时保持观察保真度。具体而言，本方法通过背门调整和归纳-行动-预测程序推导因果得分函数，从而支持该TSG家族的三个层级。大量实验表明，CaTSG在保真度方面优于现有基线方法，并能处理现有方法无法处理的干预性和反事实性生成。总体而言，本文提出了因果TSG家族并以CaTSG实现其实例，提供了初始的概念验证，开启了在干预和反事实情境下进行更可靠模拟的前景方向。
引用
@article{arxiv.2509.20846,
title = {Causal Time Series Generation via Diffusion Models},
author = {Yutong Xia and Chang Xu and Yuxuan Liang and Li Zhao and Qingsong Wen and Roger Zimmermann and Jiang Bian},
journal= {arXiv preprint arXiv:2509.20846},
year = {2026}
}