Nhà nghiên cứu tại Stanford AI Lab đã công bố mô hình “CausalFormer” trong tạp chí IEEE Transactions on Neural Networks and Learning Systems. Mô hình này kết hợp kiến trúc Transformer với cơ chế causal inference, cho phép phân tích và dự đoán nguyên nhân‑hậu quả trong dữ liệu chuỗi thời gian.
CausalFormer được thử nghiệm trên dữ liệu tài chính (stock prices, macro‑economics) và dữ liệu khí hậu (nhiệt độ, lượng mưa). Kết quả cho thấy mô hình cải thiện độ chính xác dự đoán nguyên nhân lên tới 20% so với các mô hình truyền thống như LSTM và Temporal Fusion Transformer.
Nhóm nghiên cứu cho rằng CausalFormer có tiềm năng ứng dụng rộng rãi trong dự báo kinh tế, quản lý rủi ro và nghiên cứu biến đổi khí hậu, giúp các nhà quyết định hiểu rõ hơn về các yếu tố gây ra biến động.
Bài báo đã được đăng trên arXiv và sẽ được trình bày tại hội nghị NeurIPS 2026 vào tháng 12 tới. Stanford dự kiến sẽ mở nguồn mã của CausalFormer để cộng đồng nghiên cứu có thể tiếp tục cải tiến.