面向外部干预情境下事件序列因果关系迁移的探索
机器学习
2025-07-16 v1 机器学习
摘要
推断事件序列中事件对之间的因果关系在诸多领域如医疗、制造和交通中都有应用。现有大多数因果推断工作主要关注指定领域内的事件类型，不考虑外部域干预的影响。在现实场景中，这些外部域干预会显著改变因果动态。为此，我们提出了一个新的因果框架，以超越独立同分布（i.i.d.）数据的Rubin因果框架，定义平均处理效应（ATE），以捕捉事件在外部域干预下因果关系的迁移。我们设计了一个无偏的ATE估计器，并构建了一个基于Transformer的神经网络模型，既能处理长程时序依赖，又能捕捉局部模式，同时将外部域干预信息整合到过程建模中。在模拟数据和真实数据上的大量实验表明，在外部域增强的点过程情境下，我们的方法在ATE估计和拟合度方面优于基线方法。
关键词
引用
@article{arxiv.2507.10809,
title = {Uncovering Causal Relation Shifts in Event Sequences under Out-of-Domain Interventions},
author = {Kazi Tasnim Zinat and Yun Zhou and Xiang Lyu and Yawei Wang and Zhicheng Liu and Panpan Xu},
journal= {arXiv preprint arXiv:2507.10809},
year = {2025}
}
备注
Accepted at ICANN 2025