深度分析
CausalMoE：十億參數多模態因果發現模型突破分布轉移限制
Granger因果發現是分析時間序列依賴的核心方法，但傳統模型假設資料同分布，導致在分布轉移情境下圖形錯誤。CausalMoE以模式導向的異質專家混合，結合大型語言與視覺模型提供語意先驗，於多項合成與實測基準創下最佳表現，並在少樣本設定仍能維持高準確度。
深度分析
Granger因果發現是分析時間序列依賴的核心方法，但傳統模型假設資料同分布，導致在分布轉移情境下圖形錯誤。CausalMoE以模式導向的異質專家混合，結合大型語言與視覺模型提供語意先驗，於多項合成與實測基準創下最佳表現，並在少樣本設定仍能維持高準確度。
深度分析
在6G網路切片環境中,不同租戶因共用資源而產生的競爭會造成偽因果,阻礙即時攻擊追溯。本文提出DA-GC框架,以資源條件化的Granger因果結合形式化的資源競爭模型,系統性封鎖資源介導之混淆,並以CUSUM分段與Viterbi解碼整合路徑歸因。實驗在15切片測試床中驗證,於87毫秒內達成高準確率。