다변량 시계열 이상 탐지는 광범위하게 사용되며 학계의 주요과제다. 딥러닝 모델을 이용한 다변량 시계열 이상 탐지에서 각 특징 간의 관계성을 포착하기 위해 그래프와 그래프 신경망(GNN)을 이용한 연구가 활발히 이루어지고 있으나 대부분 특징 간의 상관관계를 이용한 방법에 의존하고 있다. 본 논문에서는 그레인저 인과관계를 이용한 그래프 어텐션 신경망(GAT)과 트랜스포머를 사용한 새로운 모델 GCGF를 제안한다. 제안된 모델은 기존 모델에 비해 크게 뒤지지 않는 성능을 보였으며 그레인저 인과관계 기반 그래프 가능성을 보여주었다. 또한, 현재 그레인저 인과관계의 한계점, 높은 시간복잡도, 컴퓨터 자원 소모, 윈도우 크기와 유의수준, 지연시간 설정에 따른 가변성에 대해서 논의한다. 본 논문은 어텐션 메커니즘을 이용한 시간복잡도 감소, 여러 요소에 따른 성능 확인, 어텐션 점수 및 XAI 방법과의 상호보완적 방법을 통한 모델 해석 가능성 향상, 이진값이 아닌 강도 기반 그레인저 인과관계 표현 사용과 같은 향후 연구 방향을 제안한다.