用于分类基于因果性和局部相关性的网络

Causal and Local Correlations Based Network for Multivariate Time Series Classification

代码：https://github.com/dumingsen/CaLoNet

面向多元时间序列分类（MTSC）的深度学习模型，核心创新是融合因果空间关联 + 局部时序关联，用迁移熵构建显式因果图 + 稀疏自注意力提取局部依赖，再通过 GIN 图网络完成分类，在 UEA 21 个数据集上达到 SOTA 级性能。

一、研究背景

二、现有研究存在的核心问题

三、本文核心创新点

四、方法详细完整拆解

CaLoNet 共4 个核心步骤：
1-因果关联矩阵构建
2-局部关联特征提取
3-GIN 图节点嵌入
4-MLP 分类

五、实验内容

六、实验结果

七、总结、局限与未来方向