論文の概要: Event Causality Identification with Synthetic Control

• arxiv url: http://arxiv.org/abs/2509.18156v1
• Date: Tue, 16 Sep 2025 22:05:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.431066
• Title: Event Causality Identification with Synthetic Control
• Title（参考訳）: 合成制御による事象因果同定
• Authors: Haoyu Wang, Fengze Liu, Jiayao Zhang, Dan Roth, Kyle Richardson,
• Abstract要約: 事象因果同定(ECI)は因果関係と相関を区別するために重要である。 ECIへの伝統的なアプローチは、言語パターンとマルチホップ関係推論を主に利用してきた。 本稿では,イベント因果関係の同定にRubin Causal Modelを採用する。
• 参考スコア（独自算出の注目度）: 48.18257618831177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event causality identification (ECI), a process that extracts causal relations between events from text, is crucial for distinguishing causation from correlation. Traditional approaches to ECI have primarily utilized linguistic patterns and multi-hop relational inference, risking false causality identification due to informal usage of causality and specious graphical inference. In this paper, we adopt the Rubin Causal Model to identify event causality: given two temporally ordered events, we see the first event as the treatment and the second one as the observed outcome. Determining their causality involves manipulating the treatment and estimating the resultant change in the likelihood of the outcome. Given that it is only possible to implement manipulation conceptually in the text domain, as a work-around, we try to find a twin for the protagonist from existing corpora. This twin should have identical life experiences with the protagonist before the treatment but undergoes an intervention of treatment. However, the practical difficulty of locating such a match limits its feasibility. Addressing this issue, we use the synthetic control method to generate such a twin' from relevant historical data, leveraging text embedding synthesis and inversion techniques. This approach allows us to identify causal relations more robustly than previous methods, including GPT-4, which is demonstrated on a causality benchmark, COPES-hard.
• Abstract（参考訳）: テキストからイベント間の因果関係を抽出するプロセスであるイベント因果同定(ECI)は、相関から因果関係を識別するために重要である。 ECIへの伝統的なアプローチは、主に言語パターンとマルチホップ関係推論を利用しており、因果関係の非公式な用法と奇異なグラフィカル推論による偽因果関係の同定を危険にさらしている。 本稿では,Rubin Causal Modelを用いて事象因果関係の同定を行う。 因果関係を決定するには、治療の操作と結果の可能性を見積もる。 テキスト領域における操作を概念的にのみ実装できることを考えると、既存のコーパスから主人公の双子を見つけ出そうとする。 この双子は治療の前にプロタゴニストと同一の生活経験を持つべきであるが、治療の介入を受ける。 しかし、このようなマッチを見つけることの現実的な困難さは、その実現可能性を制限する。 この問題に対処するため,本研究では,テキスト埋め込み合成と逆変換技術を利用して,関連する履歴データからこのような双子を生成する合成制御手法を提案する。 提案手法では,因果関係を従来の手法よりも頑健に同定し,因果関係のベンチマークであるCOPES-hardで示す。

関連論文リスト

• Identifying while Learning for Document Event Causality Identification [19.44453370306568]
  事象因果同定(ECI)は、文書に2つの事象の間に因果関係が存在するかどうかを検出することを目的としている。 既存の研究では、学習パラダイムの後、イベントの表現が最初に学習され、その識別に使用される、ある種の識別が採用されている。 我々は、因果方向のケアを行い、ECIタスクの学習モードにおいて、新たな識別法を提案する。
  論文  参考訳（メタデータ） (2024-05-31T03:48:00Z)
• 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)
• Event Causality Is Key to Computational Story Understanding [5.167262076146664]
  本稿では,イベント因果同定のための最初の手法を提案する。 下流のストーリー品質評価タスクでは、特定因果関係は3.6～16.6%の相対的改善をもたらす。 この結果から, 事象因果関係を未然に把握できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-16T07:59:12Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Getting Sick After Seeing a Doctor? Diagnosing and Mitigating Knowledge Conflicts in Event Temporal Reasoning [87.92209048521153]
  出来事の時間的推論は、物語から2つ以上の出来事の間の時間的関係を特定することを目的としている。 知識の衝突は、コンテキスト内の事象の実際の時間的関係と、モデルによって学習された事前の知識やバイアスとの間にミスマッチがあるときに起こる。
  論文  参考訳（メタデータ） (2023-05-24T10:04:06Z)
• Event Causality Extraction with Event Argument Correlations [13.403222002600558]
  Event Causality extractは、プレーンテキストから因果関係のイベント因果関係のペアを抽出することを目的としている。 本稿では,ECE の時間内および時間内引数相関を捉えるための二重グリッドタギング方式を提案する。
  論文  参考訳（メタデータ） (2023-01-27T09:48:31Z)
• Learning latent causal relationships in multiple time series [0.0]
  多くの系では、因果関係は観測データに線形混合として表される潜在空間に埋め込まれる。 潜伏源を盲目的に識別する手法を提示する。 提案手法は教師なしで、任意の時系列に容易に適用でき、データの背後にある因果関係に光を当てることができる。
  論文  参考訳（メタデータ） (2022-03-21T00:20:06Z)
• Improving Event Causality Identification via Self-Supervised Representation Learning on External Causal Statement [17.77752074834281]
  イベント因果同定に外部因果文を活用するCauSeRLを提案する。 まず、外部因果文から文脈固有の因果パターンを学習するための自己教師型フレームワークを設計する。 我々は、学習した文脈固有の因果パターンを対象のECIモデルに組み込むために、コントラッシブトランスファー戦略を採用する。
  論文  参考訳（メタデータ） (2021-06-03T07:50:50Z)

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。