DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series
DoFlow：用于时间序列干预与反事实预测的流生成模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要同时以时间序列预测及干预、反事实查询为核心任务。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
DoFlow：用于时间序列干预与反事实预测的流生成模型
- 研究问题
- 多变量时间序列模型如何同时回答观测预测、干预和反事实问题，并利用未来轨迹的概率信息识别异常？
- 方法与思路
- 作者在因果有向无环图上构建连续归一化流模型，借助编码与解码生成反事实，并用未来轨迹的显式似然开展异常检测。
- 材料陈述的贡献
- 摘要称该框架统一三类预测任务，在一定假设下提供反事实恢复理论，并以合成、水电和癌症治疗序列实验展示预测与异常检测能力。
- 阅读关注点
- 应核对因果图如何获得、反事实恢复依赖哪些假设，以及时序依赖如何进入模型；还应检查实验是否能区分预测准确与因果有效。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明恢复理论的具体假设、实验数值或真实数据中的因果识别依据。
原文摘要
Time-series forecasting increasingly demands not only accurate observational predictions but also causal forecasting under interventional and counterfactual queries in multivariate systems. We present DoFlow, a flow-based generative model defined over a causal Directed Acyclic Graph (DAG) that delivers coherent observational and interventional predictions, as well as counterfactuals through the natural encoding-decoding mechanism of continuous normalizing flows (CNFs). We also provide a supporting counterfactual recovery theory under certain assumptions. Beyond forecasting, DoFlow provides explicit likelihoods of future trajectories, enabling principled anomaly detection. Experiments on synthetic datasets with various causal DAG structures and real-world hydropower and cancer-treatment time series show that DoFlow achieves accurate system-wide observational forecasting, enables causal forecasting over interventional and counterfactual queries, and effectively detects anomalies. This work contributes to the broader goal of unifying causal reasoning and generative modeling for complex dynamical systems.