Cet article de recherche révèle que les grands modèles de langage échouent fondamentalement dans la découverte causale en raison de leur incapacité à distinguer entre les graphes causaux générant des données observationnelles similaires. Il introduit un "théorème d'obstruction du noyau" pour formaliser cette limitation intrinsèque des paradigmes d'apprentissage actuels.
Le cadre TTCD (Transformer Integrated Temporal Causal Discovery) est une nouvelle approche de bout en bout conçue pour apprendre les relations causales contemporaines et décalées à partir de données complexes de séries temporelles non stationnaires. Cette méthode aborde les limites des techniques existantes en intégrant l'attention temporelle et dans le domaine fréquentiel, offrant une solution unifiée pour des scénarios réels exigeants.
Cet article propose une nouvelle méthode, le test de nécessité de prévision, pour la découverte causale interprétable dans les modèles de séries temporelles non linéaires. Il vise à dépasser les coefficients traditionnels pour mieux comprendre les relations causales complexes.