面向可解释性因果发现的动态稀疏因果注意力时间网络
机器学习
2025-07-15 v1 人工智能
信息检索
摘要
理解多变量时间序列中的因果关系对于金融和营销等领域的有效决策至关重要，由于复杂的依赖关系和滞后效应，传统方法面临挑战。我们提出一种新型架构——用于多变量时间序列可解释因果发现的动态稀疏因果注意力时间网络（DyCAST-Net），旨在通过集成膨胀时序卷积和动态稀疏注意力机制来增强因果发现。DyCAST-Net通过膨胀卷积有效捕获多尺度时序依赖，同时利用自适应阈值策略消除虚假连接，确保准确性和可解释性。统计性随机置换检验验证进一步增强了鲁棒性，通过过滤假阳性结果提高了因果推断的可靠性。在金融和营销数据集上的广泛评估表明，DyCAST-Net持续优于TCDF、GCFormer和CausalFormer等现有模型。该模型能够更精确地估计因果延迟，尤其在噪声环境中显著减少假发现。此外，注意力热图提供了可解释的洞见，揭示了广告对消费者行为的中介效应以及宏观经济指标对金融市场的影响。案例研究表明，DyCAST-Net能够检测到潜在的中介因素和滞后因果因素，在高维动态环境中表现尤为出色。经过RMSNorm稳定和因果掩码增强的模型架构确保了其在不同应用领域的可扩展性和适应性。
引用
@article{arxiv.2507.09439,
title = {Dynamic Sparse Causal-Attention Temporal Networks for Interpretable Causality Discovery in Multivariate Time Series},
author = {Meriem Zerkouk and Miloud Mihoubi and Belkacem Chikhaoui},
journal= {arXiv preprint arXiv:2507.09439},
year = {2025}
}