[論文レビュー] Deciphering Spatio-Temporal Graph Forecasting: A Causal Lens and Treatment

Yutong Xia, Yuxuan Liang+5 more|arXiv (Cornell University)|Sep 23, 2023

Air Quality Monitoring and Forecasting被引用数 15

ひとこと要約

CaST は、時系列 OoD および動的空間因果を扱うための back-door および front-door 調整を備えた因果フレームワークを導入し、複数データセットで強力かつ安定した改善を達成します。

ABSTRACT

Spatio-Temporal Graph (STG) forecasting is a fundamental task in many real-world applications. Spatio-Temporal Graph Neural Networks have emerged as the most popular method for STG forecasting, but they often struggle with temporal out-of-distribution (OoD) issues and dynamic spatial causation. In this paper, we propose a novel framework called CaST to tackle these two challenges via causal treatments. Concretely, leveraging a causal lens, we first build a structural causal model to decipher the data generation process of STGs. To handle the temporal OoD issue, we employ the back-door adjustment by a novel disentanglement block to separate invariant parts and temporal environments from input data. Moreover, we utilize the front-door adjustment and adopt the Hodge-Laplacian operator for edge-level convolution to model the ripple effect of causation. Experiments results on three real-world datasets demonstrate the effectiveness and practicality of CaST, which consistently outperforms existing methods with good interpretability.

研究の動機と目的

• STG 予測における時系列 OoD の問題に対処する動機づけ。
• STG データの構造因果モデル（SCM）を提案し、混乱要因を特定する。
• 一般化可能性と解釈性を高めるための因果処置（back-door および front-door 調整）を開発する。
• CaST を紹介：これらの処理を実装する因果スペース-時系列ニューラルネット。
• 解釈可能な成分を持つ実データセットにおいて精度と頑健性の改善を示す。

提案手法

• 時間環境 E、空間文脈 C、歴史的 X、未来の Y を含む SCM を構築し、交絡経路を特定する。
• 環境分離子と学習可能な環境コードブックを介してバックドア補正を適用し、不変内容を時系列環境から分離する。
• surrogate X* とエッジレベルのホッジラプラシアン除去モジュールを用いて、エッジレベルの畳み込みを通じて動的空間因果を捉えるフロントドア補正を用いる。
• 予測損失、コードブック損失、および相互情報正則化を組み合わせた損失で最適化し、環境とエンティティ表現を分離する。
• 環境の離散化とMIベースの正則化を取り入れ、 OoD一般化と解釈性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 causal 方法を用いて STG 予測における時系列 OoD をいかに緩和できるか。
• RQ2 exhaustive な文脈階層化を要さず、フロントドア補正は動的空間因果を捉え得るか。
• RQ3 提案手法 CaST フレームワークは多様な実データセットで予測精度と安定性を改善するか。
• RQ4 学習した環境コードと動的因果関係はどれくらい解釈可能か。

主な発見

• CaST は PEMS08、AIR-BJ、 AIR-GZ の全ベースラインを MAE および RMSE で上回る。
• アブレーションにより、環境、エンティティ、エッジの各コア成分が性能に寄与し、特にエンティティと環境の分離が顕著な改善をもたらす。
• ホッジラプラシアンを用いたエッジレベルの畳み込みは、空間における原因関係の波及効果を効果的に捉える。
• 環境コードブックは OoD 一般化を可能にし、気象要因に関連する解釈可能な環境タイプを示す。
• CaST は隠れ次元の感度を低く抑えつつ、頑健で解釈可能な動的空間因果を提供する。