Redes Temporales de Atención Causal Espacial Dinámica para el Descubrimiento de Causalidad Interpretable en Series de Tiempo Multivariadas

Comprender las relaciones causales en series de tiempo multivariadas (MTS) es esencial para la toma de decisiones efectiva en campos como las finanzas y el marketing, donde las dependencias complejas y los efectos retardados desafían los enfoques analíticos convencionales. Presentamos las Redes Temporales de Atención Causal Espacial Dinámica para el Descubrimiento de Causalidad Interpretable en MTS (DyCAST-Net), una arquitectura novedosa diseñada para mejorar el descubrimiento causal al integrar convoluciones temporales dilatadas y mecanismos de atención escasa dinámica. DyCAST-Net captura eficazmente dependencias temporales multiescala a través de convoluciones dilatadas, mientras que aprovecha una estrategia de umbral adaptativo en su mecanismo de atención para eliminar conexiones espurias, asegurando tanto precisión como interpretabilidad. Una validación adicional mediante prueba de barajado estadístico refuerza la robustez al filtrar falsos positivos y mejorar la confiabilidad de las inferencias causales. Evaluaciones extensivas en conjuntos de datos financieros y de marketing demuestran que DyCAST-Net supera consistentemente a modelos existentes como TCDF, GCFormer y CausalFormer. El modelo proporciona una estimación más precisa de los retrasos causales y reduce significativamente los descubrimientos falsos, particularmente en entornos ruidosos. Además, los mapas de calor de atención ofrecen percepciones interpretables, desvelando patrones causales ocultos como los efectos mediadores de la publicidad en el comportamiento del consumidor y la influencia de los indicadores macroeconómicos en los mercados financieros. Estudios de caso ilustran la capacidad de DyCAST-Net para detectar mediadores latentes y factores causales retardados, haciéndolo particularmente efectivo en configuraciones dinámicas y de alta dimensión. La arquitectura del modelo, mejorada por la estabilización RMSNorm y el enmascaramiento causal, asegura escalabilidad y adaptabilidad a diversos dominios de aplicación.