LOCAL이라는, 동적 인과 구조를 복구하기 위한 효율적이고 구현이 용이하며 제약이 없는 새로운 방법을 제안합니다. 기존 방법들의 계산 비용이 변수 차원 증가에 따라 기하급수적으로 증가하는 문제를 해결하기 위해, LOCAL은 근사 최대 우도 기반의 점수 함수를 사용하여 지상 진실과 동일한 동적 DAG를 학습합니다. 비순환성의 대수적 특성을 향상시키는 두 가지 적응형 모듈인 ACML(Asymptotic Causal Mask Learning)과 DGPL(Dynamic Graph Parameter Learning)을 도입합니다. ACML은 학습 가능한 우선순위 벡터와 Gumbel-Sigmoid 함수를 사용하여 DAG 형성을 보장하면서 계산 효율성을 높이고, DGPL은 인과 학습을 분해된 행렬 곱으로 변환하여 고차원 데이터에서 동적 인과 구조를 포착하고 해석력을 향상시킵니다. 합성 및 실제 데이터셋에 대한 광범위한 실험을 통해 LOCAL이 기존 방법보다 성능이 뛰어나다는 것을 보여줍니다.
