[论文解读] 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 15

一句话总结

CaST 引入一个因果框架，使用后门与前门调整来处理 STG 预测中的时间分布外（OoD）问题和动态空间因果关系，在各数据集上实现强且稳定的提升。

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.

研究动机与目标

• 解决 STG 预测中的时间分布外（OoD）问题的动机。
• 提出 STG 数据的结构因果模型（SCM），以识别混淆因素。
• 开发因果处理（后门调整和前门调整）以提升泛化能力和可解释性。
• 引入 CaST：实现这些处理的因果时空神经网络。
• 在具有可解释组件的真实数据集上证明更高的准确性与鲁棒性。

提出的方法

• 构建具有时间环境 E、空间上下文 C、历史 X 与未来 Y 的 SCM，以识别混淆路径。
• 通过 Environment Disentangler 和可学习的环境码表应用后门调整，将不变量内容与时间环境分离。
• 使用带有代理 X* 的前门调整，以及边级 Hodge-Laplacian 去混淆模块，通过边级卷积捕捉动态空间因果关系。
• 以将预测损失、码本损失和互信息正则化相结合的损失进行优化，以解耦环境与实体表示。
• 采用环境离散化和基于 MI 的正则化，以提升 OoD 泛化与可解释性。

实验结果

研究问题

• RQ1 如何在 STG 预测中使用因果方法缓解时间 OoD？
• RQ2 前门调整是否可以在不需要穷尽上下文分层的情况下捕捉动态空间因果关系？
• RQ3 所提的 CaST 框架是否在多样化的真实 STG 数据集上提升预测准确性与稳定性？
• RQ4 学习到的环境码和动态因果关系的可解释性如何？

主要发现

• CaST 在 PEMS08、AIR-BJ、AIG-GZ 数据集的 MAE 与 RMSE 上均优于所有基线。
• 消融研究显示每个核心组件（环境、实体、边）均对性能有贡献，实体与环境分离带来显著提升。
• 带有 Hodge-Laplacian 的边级卷积有效捕捉因果关系在空间中的涟漪效应。
• 环境码本实现 OoD 泛化并揭示与气象因素相关的可解释环境类型。
• CaST 对隐藏维度的敏感性较低，提供稳健且可解释的动态空间因果关系。