CDTS2：基于因果解耦趋势与季节性时间序列表示的因果下游模型

《Applied Sciences》：CDTS2: Causal Downstreamer with Causally Disentangled Trend and Seasonality Time-Series Representations

　　# 摘要时间序列表示学习将信号分解为趋势和季节性等可解释的因子，而解耦表示学习则将这些因子分配到不同的潜在维度，从而增强可解释性和预测精度。然而，现有方法仅实现了统计意义上的解耦：对一个生成因子的干预仍可能影响分配给另一个因子的潜在变量，因为未观测到的共同原因会在两者之间引起依赖关系。在时间序列数据中，这种纠缠会被时变混杂因素放大，导致因果效应估计失真并降低反事实预测的准确性。因此，我们提出了 CDTS2——基于因果解耦趋势和季节性时间序列表示的因果下游推断器（Causal Downstreamer with Causally Disentangled Trend and Seasonality Time-Series Representations）。CDTS2 结合了两种互补机制：(i) 专用子网络分别分离趋势和季节性，并通过希尔伯特-施密特独立性准则（HSIC）进行正则化，以抑制两个潜在变量之间的残余依赖关系；(ii) 因果发现目标推断输入变量的摘要因果图，并在训练过程中对两个潜在变量共有的底层表示进行正则化，以纳入因果依赖结构。为了评估因果解耦效果，我们在医疗和能源领域的反事实预测任务上对 CDTS2 进行了评估。在严重混杂的情况下，CDTS2 在肿瘤生长数据集和城市学习（CityLearn）数据集上，相比次优基线模型，分别将均方根误差（RMSE）降低了相应幅度，同时保持了最佳的事实预测精度。CDTS2 还获得了最高的干预鲁棒性评分（IRS）和解耦-完整性-信息性（DCI）指标，表明该模型学到了因果解耦的表示，并且在干预条件下仍然保持鲁棒性。