因果条件偏移下的可迁移时间序列预测
机器学习
2023-09-07 v3
摘要
本文关注时间序列预测的半监督域适应问题，该问题在文献中研究不足，尽管在实践中经常遇到。现有的时间序列域适应方法主要遵循为静态数据设计的范式，无法处理由数据偏移、时间滞后和变体数据分布引起的域特定复杂条件依赖。为了解决这些挑战，我们分析了时间序列数据中的变分条件依赖，发现因果结构在域间通常是稳定的，并进一步提出了因果条件偏移假设。受该假设启发，我们考虑时间序列数据的因果生成过程，并提出一个针对时间序列预测半监督域适应问题的端到端模型。我们的方法不仅能发现跨域数据间的Granger因果结构，还能以准确且可解释的预测结果解决跨域时间序列预测问题。我们进一步从理论上了分析所提方法的优越性，其中目标域的泛化误差由经验风险以及不同域间因果结构的差异所界定。在合成和真实数据上的实验结果证明了我们的方法对于时间序列预测半监督域适应的有效性。
引用
@article{arxiv.2111.03422,
title = {Transferable Time-Series Forecasting under Causal Conditional Shift},
author = {Zijian Li and Ruichu Cai and Tom Z. J Fu and Zhifeng Hao and Kun Zhang},
journal= {arXiv preprint arXiv:2111.03422},
year = {2023}
}
备注
TPAMI2023 Accepted