Caformer: Rethinking Time Series Analysis from Causal Perspective

时间序列分析是一个具有广泛应用的重要任务，涉及各种领域。然而，在非平稳时间序列中有效捕捉跨维度和跨时间的依赖关系面临重大挑战，特别是在环境因素的背景下。环境引起的虚假相关性使得跨维度和跨时间的依赖关系的因果关系混淆。本文介绍了一种新的框架，称为Caformer（Causal Transformer），从因果关系的角度进行时间序列分析。具体而言，我们的框架包括三个组件：动态学习器、环境学习器和依赖关系学习器。动态学习器揭示了维度之间的动态交互，环境学习器通过反向门调整减轻了环境引起的虚假相关性，依赖关系学习器旨在推断跨时间和维度的强健交互。我们的Caformer在五个主流时间序列分析任务中展现出了始终如一的最先进性能，包括长期和短期预测、插补、分类和异常检测，并具有适当的可解释性。

该论文旨在从因果关系的角度解决非稳态时间序列中交叉维度和交叉时间依赖关系的挑战，特别是在环境因素的影响下，缓解环境引起的虚假相关性对因果关系的干扰。

该论文提出了一种名为Caformer的新框架，由动态学习器、环境学习器和依赖学习器三个组件组成，旨在揭示维度之间的动态交互、通过反向门调整缓解环境引起的虚假相关性和推断跨时间和维度的强健交互。

该论文在五个主流时间序列分析任务中展现了一致的最先进表现，包括长期和短期预测、插值、分类和异常检测，具有适当的可解释性。

近期相关研究包括《Forecasting at Scale》、《DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks》等。