发表机构
Bloomberg LP（彭博有限合伙企业）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
介绍用于高维非平稳时间序列因果发现的Python库Causal-TS，它含多种算法及包装器，有统一CI测试层并支持GPU加速，通过状态发现管道检测断点，还有命令行等工具提供端到端管道，可pip安装且经测试。
AI 中文摘要
我们描述了因果时间序列（Causal-TS），这是一个用于高维非平稳多元时间序列因果发现的开源Python库。它提供了四种专门算法（CDNOTS、CDNOTS+、CEDAR和GRACE）以及GES、格兰杰、LASSO-VAR和LGES的包装器，通过PyTorch实现GPU加速的统一条件独立性（CI）测试层。一个状态发现管道通过可插拔的变点检测器检测结构断点，并使用特定状态参数对每个状态进行发现。命令行界面、合成数据生成器和可选的DoWhy集成提供了从原始时间序列到因果效应估计的端到端管道。该库可通过pip安装，在Python 3.10 - 3.12上进行了测试，可通过此https链接获取。
英文摘要
We describe Causal-TS, an open-source Python library for causal discovery in high-dimensional and nonstationary multivariate time series. Causal-TS provides four specialized algorithms-CDNOTS, CDNOTS+, CEDAR, and GRACE-along with wrappers for GES, Granger, LASSO-VAR, and LGES, all sharing a unified conditional independence (CI) test layer with GPU acceleration via PyTorch. A regime discovery pipeline detects structural breaks via pluggable changepoint detectors and runs discovery per regime with regime-specific parameters. A command-line interface, synthetic data generators, and optional DoWhy integration provide an end-to-end pipeline from raw time series to causal effect estimates. The library is pip-installable, tested on Python 3.10--3.12, and available at https://github.com/bloomberg/causal-ts.
Comments4 page, Intro paper
