Представлена Causal-TS — библиотека с открытым исходным кодом для анализа причинно-следственных связей в многомерных и нестационарных временных рядах. Инструмент объединяет четыре специализированных алгоритма и обертки для классических методов, обеспечивая высокую производительность за счет унифицированного слоя тестирования условной независимости с поддержкой ускорения на GPU через PyTorch, что критически важно для работы с данными высокой размерности.

Библиотека решает проблему сложности анализа данных, характеристики которых меняются со временем. Внедрение специализированных алгоритмов, таких как CDNOTS и CEDAR, позволяет исследователям выявлять скрытые зависимости в сложных системах, где традиционные методы корреляционного анализа часто дают сбои. Использование PyTorch в качестве вычислительного бэкенда позволяет масштабировать вычисления на графических процессорах, значительно сокращая время обработки больших массивов данных.

Архитектура Causal-TS спроектирована как модульная система, что упрощает интеграцию новых методов поиска причинности. Помимо оригинальных разработок, библиотека включает поддержку классических подходов, таких как Granger и LASSO-VAR, предоставляя единый интерфейс для сравнения результатов различных моделей в рамках одного пайплайна.

Ключевые факты

  • В состав библиотеки входят четыре специализированных алгоритма: CDNOTS, CDNOTS+, CEDAR и GRACE.
  • Поддерживаются классические методы анализа: GES, Granger, LASSO-VAR и LGES.
  • Все алгоритмы используют унифицированный слой тестирования условной независимости (CI).
  • Реализована поддержка аппаратного ускорения вычислений на GPU с использованием фреймворка PyTorch.
  • Инструмент ориентирован на работу с многомерными временными рядами, подверженными нестационарности.