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.