Badacze zaproponowali nową metodę łączącą Neural Ordinary Differential Equations (Neural ODEs) z zasadami identyfikowalności przyczynowej dla prognozowania w czasie ciągłym. Rozwiązanie pozwala na konstruowanie modeli, które nie tylko dokonują dokładnych prognoz, ale także umożliwiają interpretację przyczynowych relacji między zmiennymi. Podejście jest ważne, ponieważ tradycyjne modele głębokie często działają jak czarne pudełka, uniemożliwiające zrozumienie mechanizmów decyzyjnych. Metoda ma potencjał aplikacyjny w medycynie, finansach i naukach przyrodniczych, gdzie zrozumienie przyczynowośc