热点事件持续更新
研究揭示时序基础模型因果缺陷并提出后训练方案
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月26日，arXiv发布的一项预注册因果审计研究揭示，Chronos-2、TiRex-2、TabPFN-TS与TimesFM-2.5等时间序列基础模型在处理干预查询时，往往仅预测关联而非真正的因果效应。在物理系统测试中，预训练模型的响应不足2至5倍，并会忽略窗口内的混杂因素。对此，研究团队提出结合低秩适应、在3,000条合成序列上进行干预后训练的方案；实验表明，该方法仅以1%至3%的预测代价便缩减了52%至61%的混杂差距，并提升了在DoTime基准上的表现。
AI 根据报道生成 · 5 小时前更新
最新进展10月26日 12:00
研究发现时序基础模型存在因果混杂问题，干预后训练方案可大幅缩减混杂差距。报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv 机器学习预测关联而非干预：协变量感知时间序列基础模型的预注册因果审计
预注册因果审计发现，Chronos-2、TiRex-2、TabPFN-TS 和 TimesFM-2.5 等时间序列基础模型处理干预查询时仅预测关联而非因果效应。在物理系统测试中，预训练模型的响应不足 2-5x 且忽略窗口内混杂。结合低秩适应在 3,000 条合成序列上进行干预后训练，能以仅 1-3% 的预测代价缩减 52-61% 的混杂差距，并提升 DoTime 基准表现。
本事件热度走势
当前热度 9·可比范围峰值 10（10月26日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。