Naukowcy opracowali TTCD, nowatorską metodę, która łączy transformery z analizą przyczynowych zależności w dynamicznie zmieniających się szeregach czasowych. Problem, który rozwiązuje, to wyzwanie odkrywania relacji przyczynowych w danych niestacjonarnych, czyli takich, które nie zachowują stabilnych właściwości statystycznych w czasie. Dotychczasowe podejścia do causal discovery sprawdzały się najlepiej w warunkach stacjonarnych, gdzie cechy danych pozostają względnie stałe. TTCD zmienia to podejście, umożliwiając zastosowanie transformerów - architektur głębokich sieci neuronowych dobrze sprawdzających się w przetwarzaniu sekwencji - do zidentyfikowania rzeczywistych przyczyn zmian w systemach dynamicznych.
Odkrycie to ma praktyczne implikacje dla obszarów, gdzie zrozumienie przyczynowych powiązań jest decydujące dla podejmowania decyzji. W finansach mogłoby to pomóc w modelowaniu wpływu jednych instrumentów na inne w warunkach zmiennych warunków rynkowych. W diagnostyce medycznej mogłoby wspomóc identyfikację przyczynowych zależności między objawami i markerami biologicznymi zmieniającymi się w trakcie choroby. W systemach kontroli i automatyki byłoby nieocenione przy monitorowaniu kompleksowych procesów, gdzie relacje przyczynowe ewoluują z czasem. Tradycyjne narzędzia analizy szeregów czasowych często zakładają linearność lub stabilność parametrów, co ogranicza ich użyteczność w rzeczywistych scenariuszach.
TTCD stanowi istotny krok w stronę bardziej elastycznych i zaawansowanych metod analizy danych, szczególnie w kontekście rosnącej dostępności obserwacji z systemów dynamicznych. Umożliwienie transformerom pracy z kausalnym odkrywaniem w warunkach niestacjonarności otwiera nowe możliwości dla badań aplikacyjnych i przemysłowych, gdzie stabilne założenia matematyczne nie zawsze odpowiadają rzeczywistości obserwowanych procesów.