# DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data

### 저자

Muhammad Hasan Ferdous, Md Osman Gani

### 💡 개요

본 논문은 금융, 기후, 의료 등 다양한 분야에서 흔히 나타나는 장기 추세, 계절성, 단기 변동성을 가진 다변량 시계열 데이터에서 인과 관계를 발견하는 문제를 다룹니다. 제안하는 분해 기반 인과 발견 프레임워크는 각 시계열을 추세, 계절성, 잔차 성분으로 분리하고 각 성분별로 특화된 인과 분석을 수행합니다. 이를 통해 장단기적 인과 효과를 분리하고, 잘못된 연관성을 줄이며, 해석 가능성을 높여 기존 방법론보다 정확한 인과 구조를 복원합니다.

### 🔑 시사점 및 한계

- 시계열 데이터의 비정상성 및 자기 상관성 문제 해결을 위한 효과적인 분해 기반 인과 발견 방법론을 제시합니다.

- 각 시계열 성분(추세, 계절성, 잔차)에 최적화된 인과 탐색 기법을 적용하여 정확도를 향상시킵니다.

- 합성 데이터 및 실제 기후 데이터에서 기존 최신 기법 대비 우수한 성능을 입증하였습니다.

- 실제 적용 시 각 성분별 분석 및 통합 과정에서 추가적인 파라미터 튜닝 및 검증이 필요할 수 있습니다.

[PDF 보기](https://arxiv.org/pdf/2602.01433)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).