대부분의 시계열 인과 추론(causal inference) 벤치마크는 관측 기반이거나 규모가 작고 특정 도메인에 한정되어 있어, 실제 중요한 분야인 헬스케어, 정책 평가, 기후 과학 등에서 요구되는 개입(interventional) 및 반사실(counterfactual) 추정의 평가가 미흡했습니다. 이러한 한계를 극복하기 위해, 새로운 오픈소스 합성 벤치마크 생성기 'DoTime'이 파이썬 패키지(PyPI)로 공개되었습니다. DoTime은 다변량 시계열 구조적 인과 모델(TSCM)을 기반으로 개입 시나리오를 생성하며, 인과 기반 AI 모델의 개발 및 검증에 필수적인 도구가 될 것으로 보입니다.
DoTime은 기존 생성기들이 제공하지 못했던 여러 고급 기능을 포함합니다. 예를 들어, 연속 시간 개입 '윈도우(windows)', 양성 가드(positivity guard)를 갖춘 반사실 샘플링 모드, 중단된 시계열(interrupted time series)의 엄격한 일반화인 체제 전환 SCM(regime-switching SCM), 그리고 스위칭 SCM 매개변수를 통한 비정상(non-stationary) 동역학 구성 등이 있습니다. 또한, 평가 윈도우 내부에 추세와 구조적 변화를 삽입하는 결정론적 램프(ramp) 및 사인파(sinusoidal) 개입 프로파일을 추가하여 더욱 현실적인 시나리오를 제공합니다. 이와 함께, 10만 개의 궤적(trajectories)과 8가지 식별 구조를 포함하는 훈련 규모의 스냅샷과 정확한 정답(ground truth)을 제공하는 4가지 평가 스위트도 함께 공개되었습니다.
이러한 DoTime의 출시는 시계열 데이터에서 인과 관계를 정확하게 이해하고 예측하는 인과 AI(Causal AI) 분야에 중요한 의미를 가집니다. 특히, 개입 훈련(interventional training)이 관측 기반 모델보다 측정 가능한 방향-정확도(direction-accuracy) 이점을 제공한다는 연구팀의 주장은, 인과적 지식을 모델 훈련에 통합하는 것이 실제 세계 문제 해결에 얼마나 효과적인지를 시사합니다. DoTime은 연구자들이 복잡한 시계열 데이터를 다루는 인과 모델의 견고성과 일반화 능력을 평가하고 개선하는 데 핵심적인 역할을 할 것이며, 궁극적으로는 더욱 신뢰할 수 있는 AI 시스템 개발에 기여할 것입니다.