시간 시계열 데이터에서 인과 구조를 예측하는 것은 복잡한 현상을 이해하는 데 중요하며, DOTS (Diffusion Ordered Temporal Structure)는 여러 유효한 인과적 순서를 활용하여 단일 순서 방법의 한계를 해결한다. 확산 기반의 인과 발견을 사용하여, DOTS는 근본적인 방향성 비순환 그래프의 전이적 폐쇄를 효과적으로 복구하고, 가짜 인공물을 완화한다. DOTS는 점수 매칭과 확산 프로세스를 활용하여 효율적인 Hessian 추정을 가능하게 한다. 실험 결과는 DOTS가 합성 데이터셋과 실제 데이터셋 모두에서 기존의 최첨단 기법보다 우수한 성능을 보임을 입증한다.
