会士面对面 | 中国自动化学会会士、浙江大学/华东交通大学赵春晖教授：混合异构时序数据的信息不对称问题与任务导向的通用模型研究——从因果分析说起

信息时间：2024-06-28 信息来源：

CAA会士面对面系列活动是中国自动化学会为学会会士量身打造的高端学术交流平台，每期活动邀请1位或数位学会会士进行专题报告，围绕国际科技热点，聚焦国家创新发展战略需求，前瞻学科领域发展新方向，积极发挥学术引领和科技智库作用，展现重大学术咨询研究成果，引导社会尊崇科学思想和方法，促进公众提升科学意识和素养。

2024年第4期，总第二十六期“会士面对面”讲座于6月24日成功召开，中国自动化学会会士、浙江大学/华东交通大学赵春晖教授作题为“混合异构时序数据的信息不对称问题与任务导向的通用模型研究——从因果分析说起”的报告。



浙江大学/华东交通大学赵春晖教授作报告

工业界的测量数据大部分为时序数据。其中，混合时序数据（包含离散变量和连续变量的时间序列数据）的时序因果挖掘是新兴且极具挑战的任务。由于离散变量和连续变量信息粒度和分布类型的不一致，导致混合变量的因果关系挖掘存在信息不对称问题，不可避免地阻碍了主流因果挖掘方法在混合时序数据中的适用性。针对典型混合变量场景下的时序因果关系挖掘任务及其关键的信息不对称问题

赵老师在报告中首先揭示了离散观测变量的隐连续性机制，离散变量背后的潜在连续变量包含更细粒度的信息，并与所观测到的连续变量相互作用；通过利用这些相互作用关系建立起信息传递的监督任务，可以恢复离散变量的潜在连续性。受此认知启发，赵老师介绍了在连续变量的监督下，自适应地恢复离散变量的潜在连续性，并在共同的连续值空间中挖掘显著的因果关系；此外，结合稀疏输入神经网络的深度优化技术，赵老师团队研究可以实现高维场景下的非线性时序因果关系挖掘。所提出方法在格兰杰因果推断领域的16个子数据集上进行了验证，精度达到SOTA。最后赵老师介绍了研究工作曾获华为火花价值奖。在该研究基础上，团队的后续工作基于潜在连续性的认知，提出了首个混合时间序列的通用模型，为时序分类，外生回归、长期预测、短期预测、缺失填补、异常检测六大时序建模任务设计了针对性的下游网络结构和模型优化方案，并使得下游任务的优化与潜在连续性恢复相辅相成，实现了任务导向的隐连续性恢复。



清华大学助理研究员杨赟杰担任主持人

本次活动由清华大学助理研究员杨赟杰主持，通过腾讯会议、CAA会议小程序、CAA官方视频号、学会微博官方账号、B站、科界、蔻享、抖音等平台全程直播，共计3万余人次在线观看直播。