通过上下文条件化和因果增强预训练的时间序列因果发现
机器学习
2026-05-27 v1
摘要
从时间序列中进行因果发现对于许多现实世界应用至关重要，例如追踪异常的根本原因。现有方法通常依赖于数据集特定的优化，这使得难以将其因果发现能力迁移到由不同因果机制支配的新时间序列上。在本文中，我们提出PTCD，一种新颖的时间序列因果发现预训练框架，它通过上下文条件化建模和可迁移的因果增强来提高跨任务泛化能力。为建模复杂的时间因果依赖关系，PTCD采用双尺度迭代注意力机制来捕获窗口级因果关系，以及一个带有上下文级路由机制的高斯混合模型来处理异构的外生分布。为进一步解决跨因果图的分布偏移，PTCD采用在合成数据集上的预训练范式，该范式集成了基于干预的学习和因果混合策略，促进了稳定的因果发现和更强的泛化能力。在多个真实世界分布外（OOD）数据集上的大量实验表明，PTCD在因果发现和根本原因识别方面均表现出色。
引用
@article{arxiv.2605.26759,
title = {Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining},
author = {Biao Ouyang and Tengxue Zhang and Zhihao Zhuang and Yang Shu and Chenjuan Guo and Bin Yang},
journal= {arXiv preprint arXiv:2605.26759},
year = {2026}
}
备注
Submitted to the 40th Conference on Neural Information Processing Systems (NeurIPS 2026). 27 pages