DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series

O artigo apresenta o DoFlow, um modelo generativo baseado em fluxos que integra raciocínio causal e modelagem generativa para realizar previsões observacionais, intervencionais e contrafactuais em séries temporais multivariadas, além de permitir a detecção de anomalias e a recuperação de cenários contrafactuais.

O essencial

Imagine que você é um meteorologista. Tradicionalmente, seu trabalho é olhar para o céu, ver as nuvens e dizer: "Amanhã vai chover". Isso é previsão observacional: você aprende com o passado o que provavelmente vai acontecer se nada mudar.

Mas e se você quisesse responder a perguntas mais complexas?

• "O que aconteceria se eu desligasse o sistema de ventilação da cidade agora?" (Pergunta Intervenção).
• "Se eu tivesse tomado um remédio diferente ontem, como estaria minha saúde hoje?" (Pergunta Contrafactual).

A maioria dos modelos de inteligência artificial atuais é como um meteorologista que só consegue prever a chuva, mas não consegue simular o que aconteceria se você mudasse o clima. O artigo DoFlow apresenta uma nova ferramenta que consegue fazer tudo isso.

Aqui está uma explicação simples do que é o DoFlow, usando analogias do dia a dia:

1. O Problema: O "E se?" é difícil

A maioria das IAs de previsão de séries temporais (como preços de ações, temperatura ou batimentos cardíacos) funciona como um espelho. Elas olham para o que aconteceu e espelham para o futuro. Elas são ótimas em dizer "o que vai acontecer", mas péssimas em dizer "o que poderia ter acontecido" se tivéssemos agido de forma diferente.

2. A Solução: O DoFlow (O "Simulador de Realidades Alternativas")

O DoFlow é um modelo de IA que entende que o mundo não é uma bagunça aleatória, mas sim uma rede de causas e efeitos (como uma árvore genealógica de eventos).

Imagine que o sistema que você quer prever (seja uma usina hidrelétrica ou o corpo de um paciente) é uma máquina de Rube Goldberg gigante, onde uma bola empurra outra, que aciona uma alavanca, que liga um motor.

• Modelos antigos: Apenas observam a bola rolando e tentam adivinhar onde ela vai parar.
• O DoFlow: Entende a física da máquina. Ele sabe que se você segurar a primeira bola (intervenção), a segunda não vai se mover. E se você segurar a bola no meio do caminho (contrafactual), ele consegue "rebobinar" a fita, mudar o que você fez e ver como o resto da máquina teria se comportado.

3. Como ele funciona? (A Analogia da "Massa de Modelar")

O DoFlow usa uma tecnologia chamada "Fluxos Normais Contínuos" (CNFs). Imagine que você tem uma bola de massa de modelar (os dados do futuro) e um bloco de argila pura (o ruído aleatório).

• O DoFlow aprendeu a transformar a argila pura na bola de massa perfeita, passo a passo.
• O "segredo" é que ele faz isso seguindo um mapa de instruções (o Gráfico Acíclico Direcionado ou DAG). Esse mapa diz: "A variável X só pode mudar se a variável Y mudar antes".
• Quando você quer fazer uma intervenção (ex: "Mude a velocidade da turbina para 100"), o DoFlow simplesmente força essa parte da massa a ficar no formato que você pediu e deixa o resto da massa se ajustar naturalmente ao redor dela, seguindo as regras do mapa.
• Para o contrafactual (ex: "E se eu tivesse feito diferente?"), ele pega a realidade que aconteceu, "desfaz" a massa até o ponto da decisão, muda a decisão e deixa a massa se remodelar para ver o novo futuro.

4. Para que serve isso na vida real?

Os autores testaram o DoFlow em dois cenários muito reais:

• Usinas Hidrelétricas: Imagine que a turbina quebra. O DoFlow consegue prever não apenas que a energia vai cair, mas simular como o sistema inteiro reagiria se eles tivessem feito uma manutenção preventiva diferente. Além disso, ele consegue detectar anomalias (falhas iminentes) antes que elas aconteçam, olhando para a "probabilidade" do futuro e percebendo que algo está "estranho" antes do desastre.
• Tratamento de Câncer: Imagine um paciente com um tumor. O DoFlow pode simular: "Se este paciente tivesse recebido a dose X de quimioterapia em vez da dose Y, como o tumor teria reagido?" Isso ajuda médicos a entenderem o efeito causal de tratamentos sem precisar testar em pacientes reais.

5. O Grande Ganho: Confiança e Decisão

A grande vantagem do DoFlow é que ele não é uma "caixa preta" que apenas chuta números. Ele fornece uma probabilidade explícita.

• Se o DoFlow diz que algo vai acontecer, ele também diz: "Tenho 90% de certeza disso".
• Se algo foge do padrão (uma anomalia), ele grita: "Ei, isso não faz sentido com o que aprendi sobre como esse sistema funciona!".

Resumo em uma frase

O DoFlow é como um simulador de voo para o futuro: ele não apenas prevê para onde o avião vai, mas permite que você puxe a alavanca de emergência, mude o clima ou mude a rota no meio do voo e veja exatamente o que aconteceria, ajudando a tomar decisões mais seguras e inteligentes em sistemas complexos como energia e saúde.

Resumo técnico

Resumo Técnico: DoFlow

1. O Problema

A previsão de séries temporais multivariadas tradicionalmente foca em cenários observacionais, onde o modelo aprende correlações passadas para extrapolar o futuro sob as mesmas condições. No entanto, muitas aplicações críticas (como saúde, energia e controle industrial) exigem respostas a perguntas do tipo "e se?":

• Previsão Intervencional: Como o sistema evoluirá se alterarmos certas variáveis de controle no futuro? (Ex: "O que acontece com a geração de energia se aumentarmos a vazão da turbina?").
• Previsão Contrafactual: Dado um histórico observado, como teria sido o trajeto se tivéssemos tomado uma decisão diferente no passado? (Ex: "O tumor deste paciente teria crescido menos se ele recebesse uma dosagem diferente de quimioterapia?").

A maioria dos modelos modernos (Transformers, RNNs, modelos de difusão) é puramente observacional e não consegue simular causalidade ou gerar trajetórias contratuais coerentes. Além disso, não existia um framework geral para previsão contrafactual em séries temporais dinâmicas.

2. Metodologia: DoFlow

O DoFlow é um modelo generativo baseado em Fluxos Normalizadores Contínuos (CNFs - Continuous Normalizing Flows) que integra explicitamente uma estrutura de Grafo Acíclico Direcionado (DAG) causal.

Principais Componentes:

• Estrutura Causal (DAG): O modelo assume um DAG onde os nós representam variáveis da série temporal. As dependências causais são fixas (ex: componentes a montante influenciam a jusante).
• Codificação Temporal (RNN): Para cada nó $i$, um RNN (LSTM ou GRU) resume o histórico passado da própria variável e de seus pais no DAG, gerando um estado oculto $H_{i,t-1}$.
• Fluxo Normalizador Condicional (CNF):
  • Para cada nó, é aprendido um CNF que modela a distribuição condicional da variável no tempo $t$, dado o estado oculto $H_{i,t-1}$.
  • O CNF define uma transformação contínua entre uma distribuição base (ruído Gaussiano) e a distribuição dos dados através de uma Equação Diferencial Ordinária Neural (Neural ODE).
  • O treinamento utiliza Conditional Flow Matching (CFM), que regressa o campo de velocidade aprendido para um campo de velocidade de referência analítico, permitindo treinamento eficiente e mapeamento invertível.

Mecanismos de Inferência:

1. Previsão Observacional/Intervencional:
   • O modelo gera trajetórias futuras passo a passo em ordem topológica.
   • Se uma variável for intervencionada (fixada em um valor $\gamma$), o modelo usa esse valor fixo. Caso contrário, amostra do espaço latente e decodifica via o processo reverso do CNF.
2. Previsão Contrafactual:
   • Segue o protocolo Abdução-Ação-Predição:
     1. Abdução: Codifica a trajetória factual observada ($x^F$) em representações latentes ($z^F$) usando o estado ocuto factual.
     2. Ação: Aplica a intervenção desejada ($do(X_I := \gamma_I)$).
     3. Predição: Decodifica as representações latentes $z^F$ (que carregam as características inobserváveis do paciente/sistema) sob o novo estado oculto contrafactual para gerar a trajetória contrafactual $\hat{x}^{CF}$.
3. Detecção de Anomalias:
   • Devido à natureza dos CNFs, o modelo fornece uma densidade de probabilidade explícita (log-verossimilhança) para qualquer trajetória futura. Trajetórias anômalas recebem densidades significativamente menores, permitindo detecção baseada em likelihood.

3. Contribuições Chave

• Unificação Causal-Generativa: Primeiro framework a unificar raciocínio causal (DAG) e modelagem generativa profunda (CNFs) para séries temporais, suportando previsões observacionais, intervencionais e contratuais de forma coerente.
• Teoria de Recuperação Contrafactual: O artigo prova teoricamente (Corolário 4.5) que, sob certas suposições (como monotonicidade estrita e ruído exógeno independente), o processo de codificação-decodificação do DoFlow recupera a trajetória contrafactual verdadeira quase certamente.
• Detecção de Anomalias Principada: Utiliza a verossimilhança explícita do modelo para detectar desvios em sistemas dinâmicos complexos sem necessidade de rótulos de anomalia.
• Aplicabilidade em Cenários Reais: Demonstra eficácia em dados sintéticos com diversas topologias de DAG e em dois casos de uso reais: sistemas hidrelétricos e tratamentos oncológicos.

4. Resultados Experimentais

Os experimentos foram realizados em datasets sintéticos (estruturas Tree, Diamond, FC-Layer, Chain) e reais (Argonne Hydropower e Bica Cancer Treatment).

• Desempenho em Previsão:
  • O DoFlow superou consistentemente baselines modernas (GRU, TFT, TiDE, TSMixer, DeepVAR, MQF2) em métricas de RMSE (Erro Quadrático Médio Raiz) para previsões observacionais e intervencionais.
  • É o único modelo que consegue realizar previsão contrafactual com alta precisão (RMSE baixo), enquanto os baselines falham ou não são aplicáveis (NA).
• Robustez: Funciona bem tanto em modelos aditivos de ruído (onde a teoria de recuperação se aplica) quanto em casos não-lineares e não-aditivos (NLNA).
• Caso de Uso Hidrelétrico:
  • Previu com sucesso os "picos" característicos em sinais de geradores após falhas em turbinas (intervenção).
  • Detectou anomalias (falhas de energia) com antecedência de até 20 minutos, baseando-se na queda da log-probabilidade do modelo antes da falha real ocorrer.
• Caso de Uso Oncológico:
  • Estimou efeitos de tratamento causal em volumes tumorais, superando significativamente métodos como CRN, RMSN e MSM em RMSE normalizado.
• Eficiência Computacional:
  • O tamanho do modelo é modesto comparado a Transformers, e os tempos de treinamento e amostragem são competitivos com as baselines modernas.

5. Significado e Impacto

O DoFlow representa um avanço significativo na interseção entre aprendizado de máquina causal e modelagem generativa.

• Tomada de Decisão: Permite que operadores e médicos simulem cenários futuros sob diferentes políticas de controle ou tratamentos, indo além da simples previsão do "mais provável".
• Análise "Post-Hoc": A capacidade de gerar cenários contratuais permite entender o que teria acontecido em eventos passados, crucial para auditoria e melhoria de sistemas.
• Confiabilidade: A integração de estruturas causais explícitas com modelos generativos profundos oferece uma base teórica mais sólida para inferência em sistemas dinâmicos complexos do que abordagens puramente correlacionais.

Em resumo, o DoFlow preenche uma lacuna crítica ao fornecer uma ferramenta unificada para prever o futuro sob intervenções e responder a perguntas contrafactuais em sistemas multivariados, com aplicações diretas em energia, saúde e controle de processos industriais.