因果基础模型的干预时间序列先验
机器学习
2026-04-09 v2 统计方法学
摘要
先验数据拟合网络（PFNs）已成为表格因果推断的强大基础模型，但其扩展到时间序列仍受限于缺乏提供干预目标的合成数据生成器。现有时间序列基准仅生成具有真实因果图的观察数据，缺乏用于训练因果基础模型的干预数据。为此，我们提出了 CausalTimePrior，一个原则化的框架，用于生成具有成对观察和干预时间序列的时序结构因果模型（TSCM）。我们的先验支持可配置的因果图结构、非线性自回归机制、模式切换动力学以及多种干预类型（硬性、软性、时变）。我们展示，在 CausalTimePrior 上训练的 PFNs 可对 held-out TSCM 执行原地因果效应估计，为时间序列因果推断的基础模型之路。
引用
@article{arxiv.2603.11090,
title = {Interventional Time Series Priors for Causal Foundation Models},
author = {Dennis Thumm and Ying Chen},
journal= {arXiv preprint arXiv:2603.11090},
year = {2026}
}
备注
ICLR 2026 1st Workshop on Time Series in the Age of Large Models (TSALM)