Mask2Cause: Scoperta Causale End-to-End tramite Attenzione
Un innovativo framework chiamato Mask2Cause è stato introdotto dai ricercatori per la scoperta causale in serie temporali, consentendo il recupero diretto dei grafi causali durante la previsione. Questo approccio utilizza l'Inverted Variable Embedding insieme all'Adjacency-Constrained Masked Attention, addestrato con obiettivi omoschedastici o eteroschedastici per identificare efficacemente le relazioni causali sia nella media che nella varianza. Mask2Cause dimostra prestazioni all'avanguardia su vari benchmark, che vanno dalle dinamiche caotiche sintetiche alle simulazioni biologiche, riducendo al minimo la complessità dei parametri.
Fatti principali
- Mask2Cause è un framework end-to-end per la scoperta causale in serie temporali.
- Recupera i grafi causali direttamente durante il forward pass di previsione.
- Utilizza Inverted Variable Embedding e Adjacency-Constrained Masked Attention.
- Addestrato con obiettivi omoschedastici o eteroschedastici.
- Cattura le influenze causali sia nella media che nella varianza.
- Raggiunge la scoperta causale all'avanguardia su diversi benchmark.
- Riduce la complessità dei parametri rispetto ai baselines standard.
- Testato su dinamiche caotiche sintetiche e simulazioni biologiche realistiche.
Entità
Istituzioni
- arXiv