多模態因果發現

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。