DCD：自己相関と非定常な時系列データに対する分解ベースの因果発見

Abstract

ファイナンス、気候科学、医療などの領域における多変量時系列は、しばしば長期的なトレンド、季節性、短期的な変動を示し、非定常性と自己相関のもとで因果推論を複雑にします。既存の因果発見手法は通常、観測された生データに対して動作するため、見かけ上のエッジや、時間的依存関係の誤った帰属に対して脆弱です。私たちは、各時系列をトレンド、季節性、残差成分に分解し、成分ごとの因果分析を行う、分解に基づく因果発見の枠組みを提案します。トレンド成分は定常性検定によって評価し、季節性成分はカーネルベースの依存度指標によって評価し、残差成分は制約ベースの因果発見によって評価します。その結果得られる成分レベルのグラフを、統一されたマルチスケールな因果構造へ統合します。このアプローチにより、長期および短期の因果効果を切り分け、見かけの関連性を低減し、解釈可能性を向上させます。広範な合成ベンチマークおよび実世界の気候データにおいて、私たちの枠組みは、特に強い非定常性と時間的自己相関のもとで、最先端のベースラインよりも、真の因果構造をより正確に回復します。