因果基盤モデルの介入時系列事前分布

要旨：Prior-data fitted networks（PFNs）は、表形式データの因果推論の強力な基盤モデルとして現れてきました。しかし、時系列への拡張は介入ターゲットを提供する合成データ生成器の欠如によって制約されています。既存の時系列ベンチマークは、真の因果グラフを備えた観測データを生成しますが、因果基盤モデルの訓練に必要な介入データを欠いています。これに対処するため、\textbf{CausalTimePrior} は、観測時系列と介入時系列がペアになった合成的な時系列構造因果モデル（TSCMs）を生成する原理的なフレームワークです。私たちの前提分布は、構成可能な因果グラフ構造、非線形自己回帰機構、レジーム切替ダイナミクス、および複数の介入タイプ（ハード、ソフト、時間変動）をサポートします。CausalTimePrior によって生成されたデータで訓練された PFNs が、未見の TSCMs 上で文脈内因果効果推定を行えることを示し、時系列因果推論の基盤モデルへ向けた道を確立します。