Идентифициране на причинно-следствени зависимости във времеви редове чрез архитектура тип Transformer: практическо приложение | Защитена на: 01/01/1900

Настоящата дипломна работа изследва откриването на причинно-следствени връзки във времеви редове чрез подход, базиран на дълбоко обучение. Формалното установяване на такива зависимости традиционно изисква значителни математически усилия, включително изграждане на модели, проверка на хипотези и анализ на взаимовръзки, което може да бъде автоматизирано. За целта е използван модел с трансформър архитектура с голям брой тренировъчни параметри - CausalFormer, представен на утвърдена научна конференция. Основният принос е в това, че към този метод е добавена техника за инкрементално обучение, която позволява на модела да се адаптира към новопостъпващи данни без необходимост от пълно претрениране - нещо, особено ценно в реални приложения, където данните пристигат непрекъснато, а ресурсите за преобучение са ограничени. Направен е сравнителен анализ между пълното и инкременталното обучение върху набора от данни fMRI, който показва сравними резултати. Това показва, че съчетанието между интерпретируеми дълбоки модели и инкрементално обучение предлага ефективна и адаптивна алтернатива за причинно-следствен анализ в реално време и при непрекъснато променящи се данни. Това отваря нови възможности за приложение на такъв тип модели в динамични среди като мониторинг на околната среда, здравеопазване, финанси и други области, където е от съществено значение не само да се откриват зависимости, но и моделите да бъдат адаптивни и разбираеми за специалистите и крайните потребители. Освен това с цел валидиране на възможностите на CausalFormer модела са извършени два експеримента с данни от водни екосистеми. Резултатите от тях показват задоволително съответствие с очакванията, демонстрирайки способността на метода да идентифицира причинно-следствени връзки във водни екосистеми. Предстоят публикации и представяне на работата в научни конференции.