Causal-TS: 고차원 및 비정상성 시계열에서의 인과 발견을 위한 Python 라이브러리

원문 발행 2026. 07. 28. 02:14원문 언어 영어AI 한국어 번역arXiv cs.LG 원문 보기

요약

고차원 및 비정상성 다변량 시계열 데이터에서 인과 관계를 발견하기 위한 오픈 소스 Python 라이브러리 Causal-TS를 소개합니다. PyTorch 기반의 GPU 가속과 레짐 발견 파이프라인을 통해 원시 데이터부터 인과 효과 추정까지 엔드 투 엔드 프로세스를 지원합니다.

핵심 포인트

고차원 및 비정상성 시계열에 특화된 인과 발견 알고리즘 제공
PyTorch를 활용한 GPU 가속 및 통합 조건부 독립성 테스트 레이어 지원
변화점 탐지를 통한 레짐별 인과 관계 분석 가능
DoWhy 통합 및 합성 데이터 생성기를 포함한 엔드 투 엔드 파이프라인
pip를 통한 간편한 설치 및 오픈 소스 라이브러리

우리는 고차원(high-dimensional) 및 비정상성(nonstationary) 다변량 시계열(multivariate time series)에서의 인과 발견(causal discovery)을 위한 오픈 소스 Python 라이브러리인 Causal-TS를 설명합니다. Causal-TS는 CDNOTS, CDNOTS+, CEDAR, GRACE라는 네 가지 특화된 알고리즘과 함께 GES, Granger, LASSO-VAR, LGES를 위한 래퍼(wrapper)를 제공하며, 이들은 모두 PyTorch를 통한 GPU 가속 기능이 포함된 통합된 조건부 독립성 (CI) 테스트 레이어를 공유합니다. 레짐 발견(regime discovery) 파이프라인은 플러그 가능한 변화점 탐지기(changepoint detectors)를 통해 구조적 변화(structural breaks)를 감지하고, 각 레짐별 파라미터를 사용하여 레짐별로 발견을 수행합니다. 명령줄 인터페이스(command-line interface), 합성 데이터 생성기(synthetic data generators), 그리고 선택적인 DoWhy 통합을 통해 원시 시계열(raw time series)부터 인과 효과 추정치(causal effect estimates)까지의 엔드 투 엔드(end-to-end) 파이프라인을 제공합니다. 이 라이브러리는 pip로 설치 가능하며, Python 3.10--3.12에서 테스트되었고, https://github.com/bloomberg/causal-ts 에서 사용할 수 있습니다.

AI 자동 생성 콘텐츠

원문 바로가기

Causal-TS: 고차원 및 비정상성 시계열에서의 인과 발견을 위한 Python 라이브러리

요약

핵심 포인트

댓글