虽然基于 Transformer 的模型擅长预测日常模式，但它们究竟是内化语义概念（例如市场状况）还是仅仅拟合曲线，仍然存在疑问。此外，这些内部表征是否可以用来模拟罕见且高风险的事件（例如市场崩盘）也存在疑问。为了解决这些问题，本文提出了一种名为激活移植的因果干预技术。该技术通过在前向传播过程中将一个事件（例如过去的崩盘）的统计矩应用于另一个事件（例如一段平静期）来操纵隐藏状态。此过程确定性地控制预测：注入崩盘语义会引发向下预测，而注入平静语义则会抑制崩盘并恢复稳定性。除了二元控制之外，我们还发现该模型编码了事件严重程度的概念，并且潜在向量范数与系统冲击的幅度直接相关。该技术已在两种架构（Toto 和 Chronos）上进行了验证，表明可操作和语义上知情的表示是大规模时间序列转换器的强大属性。
