Dual-Causal-Lernen stärkt Zeitreihenklassifikation domäneninkrementell

Im Zeitalter des Webs, in dem intelligente Dienste auf präziser Zeitreihenklassifikation beruhen, hat die jüngste Entwicklung im Deep‑Learning enorme Fortschritte ermöglicht. Dennoch stoßen aktuelle Ansätze häufig an ihre Grenzen, wenn neue Domänen schrittweise in das Modell eingeführt werden – ein Szenario, das in der Praxis allgegenwärtig ist.

Um dieser Herausforderung zu begegnen, präsentiert die neue Studie das DualCD‑Framework: ein leichtgewichtiges, robustes Dual‑Causal‑Disentanglement, das nahtlos in bestehende Klassifikationsmodelle integriert werden kann. Durch die Trennung von kausalen Merkmalen, die die Klasse zuverlässig bestimmen, und von spurious Features, die nur in bestimmten Domänen auftreten, wird die Stabilität des Modells deutlich erhöht.

Der Kern des Ansatzes ist ein temporales Feature‑Disentanglement‑Modul, das kausale und irreführende Merkmale identifiziert. Anschließend setzt DualCD eine dual‑causale Interventionsmechanik ein, die sowohl intra‑klassische als auch inter‑klassische Störfaktoren eliminiert. Dabei werden Variantenproben erzeugt, die kausale Merkmale einer Klasse mit spurious Features derselben Klasse oder mit kausalen Merkmalen anderer Klassen kombinieren. Der daraus resultierende Interventionsverlust zwingt das Modell, die Labels dieser Varianten ausschließlich auf Basis der kausalen Merkmale vorherzusagen.

Umfangreiche Experimente auf mehreren Datensätzen und Modellen zeigen, dass DualCD die Leistung in domäneninkrementellen Szenarien signifikant steigert. Die Autoren stellen zudem einen umfassenden Benchmark zur Verfügung, der die weitere Forschung in diesem wichtigen Bereich erleichtert.