近日，由西南财经大学统计研究中心、统计与数据科学学院博士生朱一凡、硕士生陈文钰（共同第一作者）、博士生程喆，张佛德教授与新加坡国立大学 Zhisheng Ye 副教授合作完成的论文《Causality-Preserving Domain Generalization via Adaptive Fourier Mixup for RUL Prediction》被《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI）在线发表。论文聚焦时间序列域泛化场景下的剩余使用寿命预测问题，提出 AFM-CIR 框架，为无目标域数据条件下的设备寿命预测提供了新的方法路径。
内容简介
时间序列数据广泛存在于金融、医疗和工业系统中，但当设备工况、传感环境或时间条件发生变化时，模型常面临显著的域偏移问题。尤其在严格域泛化设定下，训练阶段无法使用任何目标域数据，模型需要仅依靠多个源域学习出能够泛化到未知目标域的稳健表示。现有 Mixup 或生成式增强方法虽然能够扩充训练分布，但往往忽略时间序列中的语义结构和相位信息，随机混合也可能破坏标签一致性与退化过程中的因果关系。针对这一问题，本文提出自适应傅里叶混合与因果启发回归相结合的 AFM-CIR 统一框架。该方法首先构建域不变、保序的引导嵌入空间，以样本语义相似性指导频域增强；在此基础上，通过相似性自适应的幅值混合和有界最短角相位扰动，生成标签一致且因果关系保持的增强样本。随后，CIR 模块通过相关因子分解约束特征不变性和维度间独立性，并利用对抗式掩码机制增强弱信息维度的因果充分性。论文进一步从互信息分析和 Lipschitz-谱范数界等角度给出相位干预可控性的理论保证。实验结果表明，AFM-CIR 在四个基准数据集上均取得优于 ERM、通用域泛化方法和面向任务域泛化方法的表现；消融实验也验证了语义引导频域增强、相位扰动和因果约束对于提升跨域泛化能力的重要作用。
作者简介
朱一凡，西南财经大学统计与数据科学学院、统计研究中心22级统计学博士研究生，主要从事因果分析、迁移学习、对比学习、旋转机械预测与健康管理等领域的研究。
陈文钰（共同一作），西南财经大学统计与数据科学学院、统计研究中心24级统计学硕士研究生，主要从事因果分析、深度学习和域泛化等领域的研究。
程喆，西南财经大学统计与数据科学学院、统计研究中心25级统计学博士研究生，主要从事因果分析、多模态大语言模型和表示学习等领域的研究。
Zhisheng Ye，新加坡国立大学工业系统工程与管理系副教授、Dean’s Chair，主要从事工业统计、可靠性工程和数据驱动运营管理等领域的研究。
张佛德（通讯作者），现任西南财经大学统计与数据科学学院、统计研究中心教授、博士生导师，主要从事统计机器学习、深度学习、迁移学习、因果分析和可靠性统计等领域的研究。
