論文の概要: Transforming Causality: Transformer-Based Temporal Causal Discovery with Prior Knowledge Integration

• arxiv url: http://arxiv.org/abs/2508.15928v1
• Date: Thu, 21 Aug 2025 19:19:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.170414
• Title: Transforming Causality: Transformer-Based Temporal Causal Discovery with Prior Knowledge Integration
• Title（参考訳）: 変革因果性: 事前知識の統合によるトランスフォーマーに基づく時間因果発見
• Authors: Jihua Huang, Yi Yao, Ajay Divakaran,
• Abstract要約: 時間的因果発見と推論のための新しい枠組みを導入する。 複雑な非線形依存と突発的な相関の2つの主要な課題に対処する。 我々の手法は、他の最先端の手法よりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 8.412444798554143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel framework for temporal causal discovery and inference that addresses two key challenges: complex nonlinear dependencies and spurious correlations. Our approach employs a multi-layer Transformer-based time-series forecaster to capture long-range, nonlinear temporal relationships among variables. After training, we extract the underlying causal structure and associated time lags from the forecaster using gradient-based analysis, enabling the construction of a causal graph. To mitigate the impact of spurious causal relationships, we introduce a prior knowledge integration mechanism based on attention masking, which consistently enforces user-excluded causal links across multiple Transformer layers. Extensive experiments show that our method significantly outperforms other state-of-the-art approaches, achieving a 12.8% improvement in F1-score for causal discovery and 98.9% accuracy in estimating causal lags.
• Abstract（参考訳）: 本稿では、複雑な非線形依存と突発的相関という2つの主要な課題に対処する、時間因果発見と推論のための新しい枠組みを提案する。 提案手法では,多層トランスフォーマーを用いた時系列予測器を用いて,変数間の長距離非線形時間関係を抽出する。 学習後、勾配解析を用いて、基礎となる因果構造と関連する時間ラグを予測器から抽出し、因果グラフの構築を可能にする。 突発的な因果関係の影響を軽減するために,複数のトランスフォーマー層にまたがるユーザ排除因果関係を一貫して強制するアテンションマスキングに基づく事前知識統合機構を導入する。 広範囲な実験により,本手法は他の最先端手法よりも優れており,因果発見のためのF1スコアが12.8%向上し,因果遅延を推定する精度が98.9%向上した。

関連論文リスト

• Transformers with Sparse Attention for Granger Causality [0.8249694498830561]
  トランスフォーマーのような深層学習に基づく手法は、単なる相関を超えた時間的ダイナミクスや因果関係を捉えるのにますます使われている。 近年の研究では、変圧器の自己注意重みが因果関係の指標として有用であることが示唆されている。 本稿では,時系列データの変数間の因果関係と遅延依存性の差異を関連付けるために,自己アテンションモジュールの新たな修正を提案する。
  論文  参考訳（メタデータ） (2024-11-20T12:34:06Z)
• Precipitation Nowcasting Using Diffusion Transformer with Causal Attention [3.9468501770612576]
  現在のディープラーニング手法は、条件と予測結果の効果的な依存関係を確立するのに不足している。 因果アテンションモデルを用いた拡散変圧器を用いた降雨キャスティングを提案する。
  論文  参考訳（メタデータ） (2024-10-17T08:10:41Z)
• CausalFormer: An Interpretable Transformer for Temporal Causal Discovery [24.608536564444137]
  本稿では、CausalFormerと呼ばれる、解釈可能なトランスフォーマーに基づく因果探索モデルを提案する。 因果対応変換器は、予測タスクを用いて時系列データの因果表現を学習する。 分解に基づく因果検出器は、訓練された因果変換器のグローバル構造を解釈する。
  論文  参考訳（メタデータ） (2024-06-24T15:09:29Z)
• 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)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Causal discovery for time series with constraint-based model and PMIME measure [0.0]
  本稿では,因果探索アルゴリズムと情報理論に基づく測度を組み合わせた時系列データにおける因果関係の発見手法を提案する。 提案手法を複数のシミュレーションデータセット上で評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2023-05-31T09:38:50Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Path Signature Area-Based Causal Discovery in Coupled Time Series [0.0]
  本稿では,2変数間の符号付き領域の大きさの意義を解析するために,信頼度系列の応用を提案する。 このアプローチは、2つの時系列の間に存在する因果関係の信頼性を定義する新しい方法を提供する。
  論文  参考訳（メタデータ） (2021-10-23T19:57:22Z)

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。