近日，我校统计与数据科学学院统计学专业2022级博士生朱一凡、2024级硕士生陈文钰与2025级博士生程喆，在导师张佛德教授指导下完成的学术论文《Causality-Preserving Domain Generalization via Adaptive Fourier Mixup for RUL Prediction》被计算机科学领域国际著名学术期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》接收，并于2026年4月正式线上发表。

论文简介

剩余寿命预测（RUL）在工业智能运维中具有重要意义，通过对设备退化趋势进行提前预测，能够有效降低设备故障风险，提升工业系统运行的安全性与可靠性。在实际工业场景中，设备往往运行于不同负载、转速及环境条件下，由此产生的时间序列数据通常存在明显的分布差异与动态变化。当模型面对未知工况时，传统深度学习方法容易受到域偏移问题的影响，导致预测性能下降。因此，如何在缺少目标域数据的条件下，学习具有稳定泛化能力的时间序列表征，成为当前剩余寿命预测领域的重要研究问题。

为了解决上述问题，文章提出了一种面向时间序列域泛化的统一框架AFM-CIR，即自适应傅里叶混合与因果启发回归方法。该方法通过结合频域数据增强与因果表征学习，实现对复杂工况下时间序列数据的鲁棒建模。首先，文章构建了一个具有“域不变”和“顺序保持”特性的引导嵌入空间，使模型能够根据设备退化状态的相似程度，自适应地调整样本增强强度。随后，在傅里叶域中同时进行幅值混合与相位扰动，以模拟工业场景中的统计变化与动态时序偏移，从而增强模型对未知工况的适应能力。在此基础上，文章进一步提出因果启发回归模块，通过相关性因子分解与对抗掩码机制，引导模型学习更加稳定、独立且具有充分性的退化表征，提升模型在复杂动态环境中的鲁棒性与预测精度。最终，AFM-CIR通过频域增强与因果约束的协同作用，实现了对时间序列跨域泛化能力的有效提升。

研究价值

文章围绕复杂工业环境下时间序列数据存在的域偏移问题，首次将频域数据增强、因果表征学习与时间序列域泛化进行系统融合，深入探讨了未知工况下剩余寿命预测中的鲁棒建模问题。针对传统深度学习方法在跨工况场景中容易受到数据分布变化影响、泛化能力不足的问题，文章提出了一种兼顾语义保持与因果不变性的统一框架，为复杂动态环境中的时间序列预测提供了新的研究思路。

具体而言，文章提出了一种基于退化状态相似性的自适应傅里叶增强策略，通过构建具有“域不变”和“顺序保持”特性的引导嵌入空间，实现了对时间序列退化规律的有效刻画。在此基础上，模型能够根据样本之间的语义相似程度，自适应地调整幅值混合与相位扰动强度，从而在扩展数据分布的同时，避免传统随机增强可能导致的标签语义破坏问题。此外，文章进一步关注工业时间序列中的相位信息，通过有界相位扰动模拟真实场景中的时间偏移、相位漂移与动态变化，实现了对复杂动态环境中潜在分布变化的有效建模，为提升模型在未知工况下的稳定性与鲁棒性提供了新的解决方案。

文章还将因果表征学习从传统分类任务扩展到连续回归场景，提出了因果启发回归模块，通过相关性因子分解与对抗掩码机制，实现了表征不变性、独立性与充分性的统一建模。该机制不仅能够强化模型对关键退化特征的表达能力，还能够减少不同特征维度之间的冗余依赖，从而提升模型在复杂工况和噪声环境中的动态适应能力。同时，文章从互信息与Lipschitz界等角度，对相位扰动的可控性进行了理论分析，为“增强不破坏语义”的设计思想提供了理论依据。

最后，通过大量实验验证，所提出的方法在跨工况时间序列预测任务中表现出优越的有效性与泛化能力。研究成果为复杂动态环境下工业设备健康管理与预测性维护提供了新的技术路径，对于提升工业装备在复杂工况下的运行可靠性、降低设备维护成本以及推动智能运维技术发展具有重要的理论意义与工程应用价值。

作者简介

朱一凡，统计与数据科学学院统计学专业2022级博士研究生，主要研究领域为迁移学习、对比学习、预测与健康管理。参与国家自然科学基金面上项目与四川省科技厅中央引导地方自由探索项目。已在IEEE TPAMI、IEEE TR等高水平学术期刊上发表论文3篇。

陈文钰，统计与数据科学学院统计学专业2024级硕士研究生，主要研究领域为多模态大模型，因果分析。已在IEEE TPAMI、ICML以共同第一作者发表2篇论文，曾获“华为杯”数学建模竞赛国家二等奖。

程喆，统计与数据科学学院统计学专业2025级博士研究生，主要研究方向为多模态大模型、因果分析与大模型优化理论。主持中央高校基本科研业务费博士生重点项目，参与国家自然科学基金、四川省科技厅等多项科研项目。已在 ICML、IEEE TPAMI 等计算机科学与统计学国际顶级期刊及会议发表论文 6 篇，其中一篇以第一作者身份入选 ICML Spotlight（Top 2.2%）；另在《中国管理科学》发表论文 1 篇。担任 NeurIPS 等国际会议审稿人。曾多次获得“华为杯”数学建模竞赛国家二等奖。

张佛德，西南财经大学统计研究中心、统计与数据科学学院教授，博士生导师。当前研究兴趣涉及统计机器学习、迁移学习、深度学习、工业统计等领域。在IEEE TPAMI、IEEE TIT、Inverse Problems、ICML等学术期刊和会议上发表论文40余篇，包括1篇ICML spotlight paper（top 2.2%）。现主持（或主持完成）国家自然科学基金面上项目和中央引导地方自由探索项目等7项，入选西南财经大学“光华英才工程”学术类人才。现任中国现场统计研究会贝叶斯统计分会和旅游大数据分会常务理事、全国工业统计学教学研究会理事、统计学系列期刊《Communications in Statistics》和机器学习期刊《ACM Transactions on Probabilistic Machine Learning 》副主编等。培养研究生就业质量高，大部分任职于华为、百度、小米等企业。

研究生教育是国民教育的最高层次，是国家创新体系的关键支撑。学校坚持用习近平新时代中国特色社会主义思想铸魂育人，对标“新财经”战略升级，立足西南财经大学学科特色优势，切实发挥研究生导师第一责任人作用，不断加强拔尖创新人才自主培养体系构建，加快推动研究生教育高质量发展，持续培育和涌现出高水平、标志性的育人成果，为服务教育强国、科技强国、人才强国建设贡献西财力量。