TTCD: Scoperta Causale Basata su Transformer per Serie Temporali Non Stazionarie
È stato proposto un nuovo framework, Transformer Integrated Temporal Causal Discovery (TTCD), per apprendere relazioni causali da dati di serie temporali non stazionarie. Il metodo affronta i limiti degli approcci esistenti basati su vincoli e su punteggi, che faticano con dati limitati, distribuzioni complesse e non stazionarietà. TTCD introduce un Non-Stationary Feature Learner che integra meccanismi di attenzione temporale e nel dominio delle frequenze. Il framework è progettato per applicazioni in scienze ambientali, epidemiologia ed economia, dove la scoperta causale robusta è fondamentale. L'articolo è disponibile su arXiv.
Fatti principali
- 1. TTCD sta per Transformer Integrated Temporal Causal Discovery.
- 2. Il framework è progettato per dati di serie temporali non stazionarie.
- 3. Utilizza un Non-Stationary Feature Learner con attenzione temporale e nel dominio delle frequenze.
- 4. I metodi esistenti si basano su test di indipendenza condizionale o forti assunzioni statistiche.
- 5. TTCD è un approccio end-to-end per apprendere relazioni causali contemporanee e ritardate.
- 6. L'articolo è pubblicato su arXiv con ID 2605.08111.
- 7. Le applicazioni includono scienze ambientali, epidemiologia ed economia.
- 8. Il metodo affronta impostazioni rumorose e non lineari.
Entità
Istituzioni
- arXiv