本研究では、観測された時系列データから因果関係を明らかにするための新しい深層学習手法「UnCLe」を提案しています。従来の手法が静的因果グラフを推定するのに対し、UnCLeは時間的因果関係の進化を捉え、動的因果発見を可能にします。この手法では、入力された時系列をセマンティックな表現に分解し、自己回帰的依存行列を用いて変数間の依存関係を学習します。データポイント別の予測誤差を分析することで、動的因果影響を推定します。実験結果から、UnCLeは静的因果発見のベンチマークで最先端の手法を上回る性能を示すだけでなく、合成および実世界の動的システムにおける進行中の因果関係を高精度に捉える能力を持つことが示されました。これにより、複雑な現象の時間変化するメカニズムを明らかにする有望なアプローチを提供します。