論文の概要: Causal Mechanism Estimation in Multi-Sensor Systems Across Multiple Domains
- arxiv url: http://arxiv.org/abs/2507.17792v4
- Date: Wed, 20 Aug 2025 09:29:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-21 14:45:44.846017
- Title: Causal Mechanism Estimation in Multi-Sensor Systems Across Multiple Domains
- Title（参考訳）: 複数の領域にまたがるマルチセンサシステムにおける因果メカニズムの推定
- Authors: Jingyi Yu, Tim Pychynski, Marco F. Huber,
- Abstract要約: 本稿では,複数の領域にまたがる異種データから因果関係を推定する新しい3段階のアプローチを提案する。
因果転移学習(Causal Transfer Learning, CTL)の原理を活用することで, CICMEは十分なサンプルが与えられた場合に, ドメイン不変因果機構を確実に検出することができる。
CICMEは、プールされたデータに因果探索を適用し、各ドメインのデータに繰り返し適用することで利点を生かし、特定のシナリオ下では両方のベースライン手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 34.02899134427814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To gain deeper insights into a complex sensor system through the lens of causality, we present common and individual causal mechanism estimation (CICME), a novel three-step approach to inferring causal mechanisms from heterogeneous data collected across multiple domains. By leveraging the principle of Causal Transfer Learning (CTL), CICME is able to reliably detect domain-invariant causal mechanisms when provided with sufficient samples. The identified common causal mechanisms are further used to guide the estimation of the remaining causal mechanisms in each domain individually. The performance of CICME is evaluated on linear Gaussian models under scenarios inspired from a manufacturing process. Building upon existing continuous optimization-based causal discovery methods, we show that CICME leverages the benefits of applying causal discovery on the pooled data and repeatedly on data from individual domains, and it even outperforms both baseline methods under certain scenarios.
- Abstract（参考訳）: 複数の領域にまたがって収集された異種データから因果メカニズムを推定する新しい3段階のアプローチである共通因果メカニズム推定(CICME)を提案する。
因果転移学習(Causal Transfer Learning, CTL)の原理を活用することで, CICMEは十分なサンプルが与えられた場合に, ドメイン不変因果機構を確実に検出することができる。
同定された共通因果機構は、各領域の残りの因果機構を個別に推定するためにさらに使用される。
CICMEの性能は製造プロセスにインスパイアされたシナリオの下で線形ガウスモデルで評価される。
従来の連続最適化に基づく因果探索手法を基盤として,CICMEは,プールデータに因果探索を適用し,各領域のデータに繰り返し適用することで,特定のシナリオ下での両基本手法よりも優れていることを示す。
関連論文リスト
- Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。
本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。
本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
論文 参考訳（メタデータ） (2025-07-12T08:10:10Z) - Quantifying Classifier Utility under Local Differential Privacy [5.90975025491779]
ローカルディファレンシャルプライバシ(LDP)は、データソースに摂動を導入することで、個人データに対する定量的なプライバシ保証を提供する。
本稿では, LDP機構下での分類器の有効性を理論的に定量化するための枠組みを提案する。
論文 参考訳（メタデータ） (2025-07-03T15:42:10Z) - Identifiable Multi-View Causal Discovery Without Non-Gaussianity [63.217175519436125]
多視点構造方程式モデル(SEM)の枠組みにおける線形因果発見への新しいアプローチを提案する。
我々は、SEMの構造が非巡回的であること以外は、余計な仮定をすることなく、モデルの全てのパラメータの識別可能性を証明する。
提案手法は,脳領域間の因果グラフの推定を可能にする実データへのシミュレーションおよび応用を通じて検証される。
論文 参考訳（メタデータ） (2025-02-27T14:06:14Z) - Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。
本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文 参考訳（メタデータ） (2024-11-21T10:37:57Z) - Revisiting Spurious Correlation in Domain Generalization [12.745076668687748]
データ生成プロセスにおける因果関係を記述するために,構造因果モデル(SCM)を構築した。
さらに、スプリアス相関に基づくメカニズムを徹底的に分析する。
そこで本研究では,OOD一般化における共起バイアスの制御について,相対性スコア重み付き推定器を導入して提案する。
論文 参考訳（メタデータ） (2024-06-17T13:22:00Z) - Learning Invariant Causal Mechanism from Vision-Language Models [14.0158707862717]
学習環境における不変要因と変動要因の因果関係は,試験環境と異なることを示す。
CLIP(CLIP-ICM)フレームワークの不変因果機構を提案する。
提案手法は,CLIPの信頼性を高めるため,シンプルだが強力な拡張を提供する。
論文 参考訳（メタデータ） (2024-05-24T07:22:35Z) - iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive
Noise Models [48.33685559041322]
本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。
提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
論文 参考訳（メタデータ） (2023-06-30T01:48:11Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - 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) - Near Instance-Optimality in Differential Privacy [38.8726789833284]
古典統計理論に着想を得た差分プライバシーにおけるインスタンス最適性の概念を考案する。
また、大規模な推定値に対してインスタンス最適(もしくはほぼインスタンス最適)な逆感度機構も開発する。
論文 参考訳（メタデータ） (2020-05-16T04:53:48Z)
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。