在典型的工业智能运维场景中，普遍存在混合异构时序数据，如云服务器运行中的连续测量信号与离散报警事件并存，然而主流因果发现方法受限于独立同分布假设，对跨模态耦合的混合异构数据建模效能显著受限。近日，我院赵春晖老师课题组为混合异构时间序列因果发现提出了全新的解决方案，相关研究工作 “Addressing Information Asymmetry: Deep Temporal Causality Discovery for Mixed Time Series”被国际顶级学术期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（IEEE TPAMI）正式录用。该论文由赵春晖老师课题组的直博生陈佳威（第一作者）和赵春晖教授（通讯作者）独立完成，浙江大学为唯一署名单位。
      该工作起源于2023年赵春晖教授团队揭榜的华为火花价值奖难题。通过学术创新与华为产业需求的深度融合，赵春晖教授课题组开辟了混合异构时序分析的特色研究方向。该工作首先揭示了混合时间序列存在的两种变量信息不对称挑战，首次提出了隐连续性恢复的原创学术思想，并深入探讨了其理论保障、可行条件与技术实现。该工作从变量嵌入方式、模型训练技巧、稀疏因果挖掘三个角度设计了一种全新的深度混合时序因果关系挖掘范式，攻克了在一致的信息粒度和变量分布空间内挖掘显著因果结构的研究瓶颈。充分的实验结果表明，该方法在涵盖了气象、脑电、生态、基因表达等领域的五大格兰杰因果推断基准的16个数据集上均达到最先进的水平，展现了面向现实世界高维、非线性、变量混合时序数据的卓越的因果发现能力，并体现出强大的可泛化性、可迁移性和可解释性。

深度混合时序因果发现算法框架图与实验结果

      该工作在混合时序因果发现领域取得了重要突破，所提出的隐连续性恢复理念为混合时间序列的表征、建模和应用提供了新的研究思路、理论保障和技术支撑，体现了赵春晖教授团队在深度学习和时序因果发现领域的前沿研究实力和国际学术影响力。
      论文链接：https://ieeexplore.ieee.org/document/10937933