في عالم علم البيانات، يعد اكتشاف الأسباب (Causal Discovery) أحد التحديات الأساسية، خاصة عندما يتعلق الأمر بالسلاسل الزمنية (Time Series). تركز معظم النماذج الحالية على إما المعماريات المنفصلة التي تفشل في التقاط الديناميكيات المشتركة للنظام، أو على استخراج الرسوم البيانية بعد الحدث، مما يزيد من خطر الإصابة بالأخطاء المرتبطة بالتحليل.

هنا تظهر ابتكارات إطار Mask2Cause، الذي يمثل خطوة هامة نحو تطوير أدوات الاستكشاف السببي الحديثة. يتميزMask2Cause بقدرته الفريدة على استعادة الرسم البياني السببي الأساسي مباشرة خلال عملية التنبؤ. يعتمد هذا الإطار على تقنيات متقدمة مثل التضمين المعكوس للمتغيرات (Inverted Variable Embedding) وآلية الانتباه المقيد بال adjacency (Adjacency-Constrained Masked Attention) التي تم تدريبها باستخدام أهداف ثابته أو متغيرة للحفاظ على التوازن بين الوسط والتداخل.

تظهر النتائج التجريبية أن Mask2Cause يتفوق في أداء اكتشاف الأسباب عبر مجموعة متنوعة من الاختبارات، بدءًا من الديناميكيات الفوضوية الاصطناعية وحتى المحاكاة البيولوجية الواقعية. كما تمكن هذا النظام الجديد من تقليل تعقيد المعلمات بشكل ملحوظ، حيث يحقق تخفيضًا بأكثر من 70٪ في عدد المعلمات لنماذج التنبؤ، مع الحفاظ على دقة عالية في النتائج.

بهذه الطريقة، يقدم Mask2Cause أدوات قوية للباحثين والممارسين في مجالات متنوعة، من الاقتصاد إلى علم الأحياء، مما يمهد الطريق لفهم أفضل للعلاقات السببية التي تحكم الظواهر عبر الزمن.