本文介绍了名为LiLY的框架，用于解决时间序列建模中学习和更正模型的问题。该框架通过恢复时间延迟的潜在因果变量并确定它们之间的关系，将未知的分布转移分解为过渡分布更改和观察结果的全局更改。实验证明潜在因果影响可靠地从不同的分布变化中识别出来，通过这种模块化的变化表示，可以高效地学习在未知分布转换下更正模型。

本文总结了Transformer在时间序列建模中的优点、局限性、适应性和修改，并对预测、异常检测和分类等时间序列任务进行了分类。通过实证分析，研究了Transformer在时间序列中的表现，并提出了未来研究方向。这是第一篇全面系统地总结Transformer在时间序列数据建模领域进展的论文。