计算机科学 > 机器学习
[提交于 2025年7月13日
]
标题: 动态稀疏因果注意力时序网络用于多变量时间序列中的可解释因果发现
标题: Dynamic Sparse Causal-Attention Temporal Networks for Interpretable Causality Discovery in Multivariate Time Series
摘要: 理解多变量时间序列(MTS)中的因果关系对于金融和营销等领域有效的决策至关重要,其中复杂的依赖关系和滞后效应挑战了传统的分析方法。 我们引入了动态稀疏因果注意力时序网络,用于多变量时间序列中可解释的因果发现(DyCAST-Net),这是一种新架构,旨在通过整合扩张时间卷积和动态稀疏注意力机制来增强因果发现。 DyCAST-Net通过扩张卷积有效捕捉多尺度时间依赖性,同时在其注意力机制中利用自适应阈值策略以消除虚假连接,确保准确性和可解释性。 统计洗牌测试验证进一步增强了鲁棒性,通过过滤假阳性结果并提高因果推断的可靠性。 在金融和营销数据集上的广泛评估表明,DyCAST-Net始终优于现有模型,如TCDF、GCFormer和CausalFormer。 该模型提供了更精确的因果延迟估计,并显著减少了假发现,特别是在噪声环境中。 此外,注意力热图提供了可解释的见解,揭示了隐藏的因果模式,例如广告对消费者行为的中介效应以及宏观经济指标对金融市场的影响。 案例研究展示了DyCAST-Net检测潜在中介因素和滞后因果因素的能力,使其在高维、动态环境中特别有效。 通过RMSNorm稳定性和因果掩码增强的模型架构确保了在不同应用领域的可扩展性和适应性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.