基于因果学的安全残差校正用于多变量时间序列
机器学习
2026-01-05 v2 机器学习
摘要
虽然现代多变量预测器（如 Transformer 和 GNN）在基准测试上取得了强劲的表现，但它们往往在特定变量或时间段上存在系统性误差，并且最关键的是，在部署时缺乏防止性能恶化的保证。现有的事后残差校正方法试图修复这些误差，但本质上是贪心式的：尽管它们可能提高平均准确率，却可能通过“以错误的方式帮助”而过度校正可靠的预测，导致在不可见情景中出现局部失效。为解决这一“安全差距”，我们提出了 CRC（Causality-inspired Safe Residual Correction），即是一个即插即用的框架，专为确保不退化而设计。CRC 遵循“分而治之”的哲学：它采用因果学启发的编码器来暴露方向感知结构，通过解耦自变量和跨变量动力学来实现；以及采用混合校正器来建模残差误差。关键的是，校正过程受到严格的四重安全机制的约束，以防止有害的更新。实验在多个数据集和预测 backbone 上表明，CRC 持续地提高了准确率，而深入的消融研究确认，其核心安全机制确保了极高的非退化率 (NDR)，使 CRC 成为适用于安全可靠部署的校正框架。
引用
@article{arxiv.2512.22428,
title = {Causality-Inspired Safe Residual Correction for Multivariate Time Series},
author = {Jianxiang Xie and Yuncheng Hua and Mingyue Cheng and Flora Salim and Hao Xue},
journal= {arXiv preprint arXiv:2512.22428},
year = {2026}
}