TTCD：Transformer 从非平稳时间序列数据中集成时间因果发现

arXiv:2605.08111v1 公告类型：新 摘要：复杂时间序列数据在环境科学、流行病学和经济学等各个领域的广泛应用需要强大的因果发现方法，能够识别非平稳、非线性和噪声环境中复杂的同期和滞后关系。现有的基于约束的方法通常严重依赖于条件独立性测试，这些测试对于有限的数据样本和复杂的分布会降低性能，而基于分数的方法则强加了强有力的统计假设。最近的方法解决了特殊情况，例如变化点检测或分布变化，但很难提供统一的解决方案。我们提出了 Transformer 集成时间因果发现（TTCD）框架，这是一种新颖的端到端方法，可以从非平稳时间序列中学习同期和滞后的因果关系。 TTCD 引入了将时域和频域注意力与动态非平稳性分析相结合的非平稳特征学习器，以及自定义因果结构学习器。一项关键的创新是重建引导的因果信号蒸馏，通过变压器解码器的重建过程提取必要的因果信号，从而减轻噪声和虚假相关性，同时保留有意义的依赖性。因果结构学习器对提取的重构信号进行操作，以推断潜在的因果图，而无需对噪声分布或数据生成过程进行限制性假设。对合成、基准和现实世界数据集的实验表明，TTCD 在准确性和与领域知识的一致性方面始终优于最先进的基线，证明了该方法在具有挑战性的现实世界环境中进行因果发现的有效性。