Fugu-MT 論文翻訳(概要): Uncovering Causal Relation Shifts in Event Sequences under Out-of-Domain Interventions

論文の概要: Uncovering Causal Relation Shifts in Event Sequences under Out-of-Domain Interventions

arxiv url: http://arxiv.org/abs/2507.10809v1
Date: Mon, 14 Jul 2025 21:08:35 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-16 19:46:02.889229
Title: Uncovering Causal Relation Shifts in Event Sequences under Out-of-Domain Interventions
Title（参考訳）: 外部干渉による事象系列の因果関係変化の解明
Authors: Kazi Tasnim Zinat, Yun Zhou, Xiang Lyu, Yawei Wang, Zhicheng Liu, Panpan Xu,
Abstract要約: 本稿では,独立かつ同一に分散したデータを超える平均治療効果(ATE)を定義するための新しい因果関係フレームワークを提案する。我々は、非バイアスのATE推定器を設計し、長距離時間依存性と局所パターンの両方を扱うTransformerベースのニューラルネットワークモデルを考案する。
参考スコア（独自算出の注目度）: 15.352842409729577
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Inferring causal relationships between event pairs in a temporal sequence is applicable in many domains such as healthcare, manufacturing, and transportation. Most existing work on causal inference primarily focuses on event types within the designated domain, without considering the impact of exogenous out-of-domain interventions. In real-world settings, these out-of-domain interventions can significantly alter causal dynamics. To address this gap, we propose a new causal framework to define average treatment effect (ATE), beyond independent and identically distributed (i.i.d.) data in classic Rubin's causal framework, to capture the causal relation shift between events of temporal process under out-of-domain intervention. We design an unbiased ATE estimator, and devise a Transformer-based neural network model to handle both long-range temporal dependencies and local patterns while integrating out-of-domain intervention information into process modeling. Extensive experiments on both simulated and real-world datasets demonstrate that our method outperforms baselines in ATE estimation and goodness-of-fit under out-of-domain-augmented point processes.
Abstract（参考訳）: 時間的シーケンスにおけるイベントペア間の因果関係を推定することは、医療、製造、輸送といった多くの領域に適用できる。因果推論に関する既存の研究のほとんどは、外因性ドメイン外干渉の影響を考慮せずに、指定されたドメイン内のイベントタイプに重点を置いている。現実世界の設定では、これらのドメイン外の介入は因果ダイナミクスを著しく変える可能性がある。このギャップに対処するため,従来のルービンの因果関係から独立的かつ同一に分散したデータである平均治療効果(ATE)を定義し,ドメイン外介入下での時間的プロセスの事象間の因果関係の変化を捉えるための新たな因果関係フレームワークを提案する。我々は、非バイアスのATE推定器を設計し、プロセスモデリングにドメイン外介入情報を統合しながら、長距離時間依存性と局所パターンの両方を扱うTransformerベースのニューラルネットワークモデルを考案する。シミュレーションと実世界の両方のデータセットに対する大規模な実験により、我々の手法は、ドメイン外の拡張点プロセス下でのATE推定と適合性において、ベースラインよりも優れていることを示した。

関連論文リスト

Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。本研究では,時間領域毎に最適な因果予測値が得られることを示す。合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
論文参考訳（メタデータ） (2025-06-21T14:05:37Z)
Cross-Domain Conditional Diffusion Models for Time Series Imputation [34.400748070956006]
クロスドメイン時系列計算は、探索されていないデータ中心の研究課題である。既存のアプローチは主に単一ドメインの設定に焦点を当てています。提案手法は、ドメイン固有の時間構造を維持しながら、両方のドメインから共有されるスペクトル成分を統合する。
論文参考訳（メタデータ） (2025-06-14T09:09:07Z)
Unsupervised Structural-Counterfactual Generation under Domain Shift [0.0]
本稿では,ソース領域からの事実観測に基づいて,対象領域における対実サンプルの生成という,新たな生成モデル課題を提案する。本フレームワークは, 対象領域からの影響-内在変数の後方分布と, 対象領域からの領域-内在変数の事前分布とを組み合わせて, 所望の反事実を合成する。
論文参考訳（メタデータ） (2025-02-17T16:48:16Z)
Mixstyle-Entropy: Domain Generalization with Causal Intervention and Perturbation [38.97031630265987]
ドメイン一般化(DG)は、ドメイン関連情報に依存しない表現を学習することでこの問題を解決し、未知の環境への外挿を容易にする。既存のアプローチは典型的には、ソースデータから共有された特徴を抽出するための調整済みのトレーニング目標の定式化に重点を置いている。 InPerという因果性に基づく新しいフレームワークを提案する。これは、訓練中の因果的介入と試験中の因果的摂動を組み込むことにより、モデル一般化を強化するために設計された。
論文参考訳（メタデータ） (2024-08-07T07:54:19Z)
Domain Adaptation for Industrial Time-series Forecasting via Counterfactual Inference [2.5274335293977956]
産業時系列は、構造データが生産プロセス情報に応答するので、データ駆動意思決定に利用することができる。しかし、データ不足による少数ショットの予測や、不明な治療方針による意思決定の理解など、業界における時系列予測にはいくつかの課題がある。限られたデータで関心領域の性能を向上させるために,新しい因果ドメイン適応フレームワークCausal Domain Adaptationを提案する。
論文参考訳（メタデータ） (2024-07-19T11:19:43Z)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
Variational Counterfactual Prediction under Runtime Domain Corruption [50.89405221574912]
ドメインシフトとアクセス不能変数の同時発生実行時ドメインの破損は、訓練済みの反事実予測器の一般化を著しく損なう。我々は,新たな2段階の対向領域適応方式を用いて,VEGANという,対向的に統一された変分因果効果モデルを構築した。 VEGANは、ランタイムドメインの破損の有無で、個々のレベルの処理効果の推定において、他の最先端のベースラインよりも優れていることを実証する。
論文参考訳（メタデータ） (2023-06-23T02:54:34Z)
Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文参考訳（メタデータ） (2022-06-06T05:12:48Z)
Transferable Time-Series Forecasting under Causal Conditional Shift [28.059991304278572]
時系列予測における半教師付き領域適応問題に対するエンドツーエンドモデルを提案する。提案手法は, クロスドメインデータ間のグランガーカウサル構造を検出するだけでなく, 正確かつ解釈可能な予測結果を用いて, クロスドメイン時系列予測問題に対処する。
論文参考訳（メタデータ） (2021-11-05T11:50:07Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-27T18:46:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。