Neuer Transformer-Ansatz entdeckt zeitliche Kausalität mit 12,8 % besserem F1‑Score

Eine neue Methode zur zeitlichen Kausalitätsfindung, die auf Transformer‑Modellen basiert, hat die Forschung vor ein bedeutendes Sprungbrett gebracht. Sie löst zwei zentrale Probleme: die Erfassung komplexer, nichtlinearer Abhängigkeiten zwischen Variablen und die Reduzierung von trügerischen Korrelationen.

Der Ansatz nutzt einen mehrschichtigen Transformer, der als Zeitreihen‑Vorhersager fungiert und damit langfristige, nichtlineare Beziehungen zwischen den beobachteten Größen erfasst. Nach dem Training wird die zugrunde liegende kausale Struktur sowie die zugehörigen Zeitverzögerungen mithilfe einer gradientsbasierten Analyse aus dem Modell extrahiert. Auf dieser Basis entsteht ein kausales Graphen‑Modell, das die Dynamik der untersuchten Prozesse transparent macht.

Um die Gefahr von falschen kausalen Verknüpfungen zu minimieren, integriert die Technik ein Prior‑Wissens‑Modul, das über Attention‑Masking gezielt unerwünschte Kausalverbindungen in mehreren Transformer‑Schichten unterbindet. In umfangreichen Experimenten übertraf die Methode bestehende Verfahren deutlich: Der F1‑Score für die Kausalitätsfindung stieg um 12,8 % an, und die Genauigkeit bei der Schätzung der Zeitverzögerungen erreichte 98,9 %. Damit setzt die Arbeit einen neuen Standard für die Analyse zeitabhängiger Daten.