본 논문은 시간 순서 데이터에서 기저 방향성 비순환 그래프(DAG)를 발견하는 문제를 다룬다. 기존 방법들은 목적 함수를 최적화하여 최적의 DAG를 찾지만, 변수의 차원이 증가함에 따라 계산 비용이 기하급수적으로 증가하는 확장성 문제에 직면한다. 이를 해결하기 위해, 본 논문에서는 효율적이고 구현이 용이하며 제약 조건이 없는 동적 인과 구조 복원 방법인 LOCAL을 제안한다. LOCAL은 실제 값과 동일한 동적 DAG를 학습하기 위한 준 최대 우도 기반 점수 함수를 공식화한 최초의 시도이다. 여기에는 비순환성의 대수적 특성을 향상시키는 두 개의 적응형 모듈, 즉 점근적 인과 마스크 학습(ACML)과 동적 그래프 매개변수 학습(DGPL)이 포함된다. ACML은 학습 가능한 우선순위 벡터와 Gumbel-Sigmoid 함수를 사용하여 인과 마스크를 구성하여 DAG 형성을 보장하면서 계산 효율성을 최적화한다. DGPL은 인과 학습을 분해된 행렬 곱으로 변환하여 고차원 데이터에서 동적 인과 구조를 포착하고 해석력을 향상시킨다. 합성 및 실제 데이터 세트에 대한 광범위한 실험을 통해 LOCAL이 기존 방법보다 훨씬 우수하며, 동적 인과 발견을 위한 강력하고 효율적인 방법으로서의 잠재력을 강조한다.
