可解释时序因果Transformer

因果发现达SOTA

利用因果感知Transformer与基于分解的因果检测器，首次从整个深度学习模型中获取完整因果图，突破现有方法仅分析部分组件的局限。

Lingbai, Kong · 李文根 · Hanchen, Yang · Zhang, Yichao · 关佶红 · 周水庚

IEEE Transactions on Knowledge and Data Engineering 2024

技术优势

用全模型发现因果

提出回归相关性传播对训练好的因果感知Transformer进行全局结构解释，从整个模型中识别因果关系，而非仅分析注意力或卷积权重。

SOTA级因果发现

在合成、模拟和真实数据集上均达到最优，证明利用全模型的方法能更准确地发现时序因果。

应用场景

• 智能决策系统：获取变量间因果图，识别驱动决策的关键因素，避免仅基于相关性的误判。
• 复杂时序分析：从高维时序中提取因果结构，简化复杂系统建模并提升可解释性。
• 机器人行为建模：揭示动作与传感器时序的因果关联，帮助机器人学习可迁移的行为策略。
• 神经信号因果分析：从多通道神经信号中推断脑区间的因果连接，辅助脑功能研究。