I modelli fondazionali, in particolare le Prior-data fitted networks (PFN), si sono dimostrati efficaci nell'inference causale tabellare. Tuttavia, la loro applicazione alle serie temporali è limitata dalla scarsità di generatori di dati sintetici che forniscano target di intervento.

CausalTimePrior: un nuovo approccio

Per affrontare questa sfida, è stato proposto CausalTimePrior, un framework per generare modelli causali strutturali temporali (TSCM) sintetici. Questo framework produce serie temporali sia osservazionali che di intervento, supportando strutture di grafi causali configurabili, meccanismi autoregressivi non lineari e dinamiche di regime-switching.

Caratteristiche principali

CausalTimePrior supporta molteplici tipi di intervento (hard, soft, time-varying). I PFN addestrati su CausalTimePrior sono in grado di eseguire la stima dell'effetto causale in-context su TSCM held-out, aprendo la strada a modelli fondazionali per l'inference causale nelle serie temporali. Questo approccio potrebbe avere implicazioni significative in ambiti come la finanza, la medicina e l'ingegneria, dove l'analisi delle serie temporali è fondamentale.