CausalCompass：ミススペック（仮定不整合）状況下における時系列因果発見の頑健性評価
arXiv stat.ML / 2026/5/1
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、時系列因果発見（TSCD）におけるモデル仮定の違反時の性能を評価するベンチマーク「CausalCompass」を提案し、既存ベンチマークの頑健性に関する不足を補う。
- 8つの仮定違反シナリオでの大規模実験の結果、あらゆる設定で常に最良となる単一手法は存在しないことが示される。
- 様々なシナリオにまたがる総合成績では、上位を占めるのはほぼ一貫して深層学習ベースの手法であり、ハイパーパラメータ感度分析やアブレーション実験によって裏付けられる。
- さらに意外な点として、NTS-NOTEARSは実運用で標準化（standardized preprocessing）に大きく依存しており、バニラ設定では弱いが標準化後は性能が大きく向上することが分かった。
- 著者らは実装・ドキュメント・データセットを公開し、現実の用途でTSCDの頑健性を体系的に検証できるようにすることで、導入を後押しすることを目指している。
