論文の概要: Diagrams-to-Dynamics (D2D): Exploring Causal Loop Diagram Leverage Points under Uncertainty

• arxiv url: http://arxiv.org/abs/2508.05659v2
• Date: Mon, 11 Aug 2025 07:01:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 16:55:53.858172
• Title: Diagrams-to-Dynamics (D2D): Exploring Causal Loop Diagram Leverage Points under Uncertainty
• Title（参考訳）: ダイアグラム・トゥ・ダイナミクス(D2D):不確実性下における因果ループダイアグラムレバレッジ点の探索
• Authors: Jeroen F. Uleman, Loes Crielaard, Leonie K. Elsenburg, Guido A. Veldhuis, Karien Stronks, Naja Hulvej Rod, Rick Quax, Vítor V. Vasconcelos,
• Abstract要約: 因果ループ図(CLD)は、仮説化された因果構造を表現するために、健康と環境研究で広く使われている。 本研究では,経験的データがない場合にCLDを探索系力学モデル(SDM)に変換するダイアグラム・トゥ・ダイナミクス(D2D)を提案する。
• 参考スコア（独自算出の注目度）: 0.030113849517062294
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Causal loop diagrams (CLDs) are widely used in health and environmental research to represent hypothesized causal structures underlying complex problems. However, as qualitative and static representations, CLDs are limited in their ability to support dynamic analysis and inform intervention strategies. Additionally, quantitative CLD analysis methods like network centrality analysis often lead to false inference. We propose Diagrams-to-Dynamics (D2D), a method for converting CLDs into exploratory system dynamics models (SDMs) in the absence of empirical data. With minimal user input - following a protocol to label variables as stocks, flows or auxiliaries, and constants - D2D leverages the structural information already encoded in CLDs, namely, link existence and polarity, to simulate hypothetical interventions and explore potential leverage points under uncertainty. Results suggest that D2D helps distinguish between high- and low-ranked leverage points. We compare D2D to a data-driven SDM constructed from the same CLD and variable labels. D2D showed greater consistency with the data-driven model than network centrality analysis, while providing uncertainty estimates and guidance for future data collection. The method is implemented in an open-source Python package and a web-based application to support further testing and lower the barrier to dynamic modeling for researchers working with CLDs. We expect additional validation will further establish the approach's utility across a broad range of cases and domains.
• Abstract（参考訳）: 因果ループ図(英: Causal loop diagram、CLD)は、複雑な問題の根底にある仮説化された因果構造を表現するために、健康・環境研究で広く用いられている。 しかし、定性的かつ静的な表現として、CLDは動的解析をサポートし、介入戦略を通知する能力に制限がある。 さらに、ネットワーク中心性分析のような量的CLD分析法は、しばしば誤った推論を引き起こす。 本研究では,経験的データがない場合にCLDを探索系力学モデル(SDM)に変換するダイアグラム・トゥ・ダイナミクス(D2D)を提案する。 最小限のユーザ入力 — 変数をストック、フロー、補助的、定数としてラベル付けするためのプロトコルに従うことで、D2Dは、CLDにすでにエンコードされている構造情報、すなわちリンクの存在と極性を利用して、仮説上の介入をシミュレートし、不確実性の下で潜在的レバレッジポイントを探索する。 結果はD2Dが高位と低ランクのレバレッジポイントを区別するのに役立つことを示唆している。 我々はD2Dとデータ駆動型SDMを同一のCLDと可変ラベルから構築したデータ駆動型SDMと比較した。 D2Dは、ネットワーク中心性分析よりもデータ駆動モデルとの整合性を示し、将来的なデータ収集のための不確実性推定とガイダンスを提供した。 このメソッドは、オープンソースのPythonパッケージとWebベースのアプリケーションで実装されており、CLDを扱う研究者の動的モデリングの障壁を低くし、さらなるテストをサポートする。 さらなるバリデーションによって、幅広いケースやドメインにわたるアプローチの有用性が確立されることを期待しています。

関連論文リスト

• Integrating Intermediate Layer Optimization and Projected Gradient Descent for Solving Inverse Problems with Diffusion Models [24.745502021162878]
  逆問題(IP)はノイズの観測から信号を再構成する。 DMはIPを解くための強力なフレームワークとして登場し、優れた再構築性能を実現している。 既存のDMベースの手法は、重い計算要求や準最適収束といった問題に頻繁に遭遇する。 これらの課題に対処するために,DMILOとDMILO-PGDという2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-27T06:49:02Z)
• A Survey on Diffusion Models for Anomaly Detection [41.22298168457618]
  拡散モデル(DM)は、生成AIモデルの強力なクラスとして登場した。 DMADは、ますます複雑で高次元のデータにおける偏差を特定するための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-20T12:06:54Z)
• GEAL: Generalizable 3D Affordance Learning with Cross-Modal Consistency [50.11520458252128]
  既存の3Dアベイランス学習手法は、注釈付きデータに制限があるため、一般化と堅牢性に苦慮している。 本稿では,大規模事前学習型2Dモデルを活用することで,3次元アベイランス学習の一般化と堅牢性を高めるための新しいフレームワークであるGEALを提案する。 GEALは、既存のメソッドと、新しいオブジェクトカテゴリ、および破損したデータにおいて、一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-12T17:59:03Z)
• Interpretable and Efficient Data-driven Discovery and Control of Distributed Systems [1.5195865840919498]
  強化学習(Reinforcement Learning, RL)は、高次元非線形力学を持つシステムにおいて、有望な制御パラダイムとして登場した。 PDE制御のためのデータ効率,解釈可能,スケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-06T18:26:19Z)
• Cross-modal & Cross-domain Learning for Unsupervised LiDAR Semantic Segmentation [82.47872784972861]
  対象領域における3次元LiDARセマンティックセマンティックセグメンテーション(DLSS)のラベル付けコストを軽減するため、ペア化された2次元画像と3次元LiDARデータに対して、クロスモーダルドメイン適応について検討した。 本稿では,セマンティックアノテーションを持つ2次元データセットとペアだが注釈のない2次元画像と3次元LiDARデータ(ターゲット)が利用できる新しい3DLSS設定について検討する。 このシナリオで3DLSSを実現するために,クロスモーダル・クロスドメイン学習(CoMoDaL)を提案する。
  論文  参考訳（メタデータ） (2023-08-05T14:00:05Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• Deep Direct Discriminative Decoders for High-dimensional Time-series Data Analysis [0.0]
  状態空間モデル(SSM)は時系列データの解析に広く利用されている。 本研究では,高次元観察プロセスにおけるSSMの新しい定式化を提案する。 我々は,高次元観測信号を用いて基礎となる状態過程を効率的に推定する新しいソリューションを構築した。
  論文  参考訳（メタデータ） (2022-05-22T22:44:41Z)
• Unsupervised Domain Adaptation in the Dissimilarity Space for Person Re-identification [11.045405206338486]
  そこで本稿では,ペア距離の整合性を実現するために,D-MMD(Dissimilarity-based Maximum Mean Discrepancy)の新たな損失を提案する。 3つの挑戦的なベンチマークデータセットによる実験結果から、D-MMDの損失は、ソースとドメインの分布がよりよくなるにつれて減少することが示された。
  論文  参考訳（メタデータ） (2020-07-27T22:10:46Z)

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。