Este artículo de investigación revela que los grandes modelos de lenguaje fallan fundamentalmente en el descubrimiento causal debido a su incapacidad para distinguir entre grafos causales que generan datos observacionales similares. Introduce un "teorema de obstrucción de kernel" para formalizar esta limitación intrínseca de los paradigmas de aprendizaje actuales.
El Framework TTCD (Transformer Integrated Temporal Causal Discovery) es un enfoque novedoso de extremo a extremo diseñado para aprender relaciones causales contemporáneas y rezagadas a partir de datos complejos de series temporales no estacionarias. Este método aborda las limitaciones de las técnicas existentes al integrar atención temporal y en el dominio de la frecuencia, proporcionando una solución unificada para escenarios desafiantes del mundo real.
Este artículo propone un nuevo método llamado prueba de necesidad de pronóstico para el descubrimiento causal interpretable en modelos de series temporales no lineales. Su objetivo es ir más allá de los coeficientes tradicionales para comprender mejor las complejas relaciones causales.