iacm.forth.gr

이 이메일 도메인이 관측된 논문 1건

arXiv:2602.18662v3cs.LG

시계열 인과 발견을 위한 대규모 인과 모델

Large Causal Models for Temporal Causal Discovery

횡단면 및 시계열 데이터 모두에 대한 인과 발견(causal discovery)은 전통적으로 각 개별 데이터셋마다 새로운 모델을 적합시키는 데이터셋 맞춤형 패러다임을 따라왔습니다. 이러한 접근 방식은 다중 데이터셋 사전학습(pre-training)의 잠재력을 제한합니다. 대규모 인과 모델(LCM) 개념은 시계열 인과 발견을 위해 특별히 설계된 사전학습 신경망 아키텍처 군을 구상합니다. 기존 접근 방식들은 적은 변수 수로 제한되고 입력 크기가 커질수록 성능이 저하되며 합성 데이터에 크게 의존하여 일반화 성능이 제한됩니다. 본 연구에서는 다양한 합성 생성기와 실제 시계열 데이터셋을 결합하여 대규모 학습을 가능하게 하는 체계적인 LCM 프레임워크를 제안합니다. 합성, 준합성 및 현실적 벤치마크에 대한 광범위한 실험 결과, LCM이 더 많은 변수 수와 더 깊은 아키텍처로 효과적으로 스케일링(scaling)되면서도 강력한 성능을 유지함을 보여줍니다. 학습된 모델은 특히 분포 외(out-of-distribution) 설정에서 고전적 및 신경망 기반 기준선 모델과 비교해 대등하거나 우수한 정확도를 달성하는 동시에 신속한 단일 패스 추론(inference)을 가능하게 합니다. 이러한 결과는 LCM이 시계열 인과 발견을 위한 유망한 파운데이션 모델 패러다임임을 입증합니다. 실험 및 모델 가중치는 https://github.com/kougioulis/LCM/ 에서 확인할 수 있습니다.