論文の概要: Towards Practical Multi-label Causal Discovery in High-Dimensional Event Sequences via One-Shot Graph Aggregation

• arxiv url: http://arxiv.org/abs/2509.19112v1
• Date: Tue, 23 Sep 2025 14:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.914286
• Title: Towards Practical Multi-label Causal Discovery in High-Dimensional Event Sequences via One-Shot Graph Aggregation
• Title（参考訳）: 1ショットグラフアグリゲーションによる高次元イベント系列における多ラベル因果探索の実現に向けて
• Authors: Hugo Math, Rainer Lienhart,
• Abstract要約: CARGOは、スパースで高次元のイベントシーケンスに対するスケーラブルなマルチラベル因果探索法である。 並列に、シーケンス毎の1ショット因果グラフを推論し、適応周波数融合を用いてそれらを集約し、ラベルのグローバルマルコフ境界を再構築する。 29,100以上のユニークなイベントタイプと474のアンバランスなラベルを持つ実世界の自動車故障予測データセットに対する我々の結果は、CARGOが構造化推論を行う能力を示している。
• 参考スコア（独自算出の注目度）: 14.409508347156397
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding causality in event sequences where outcome labels such as diseases or system failures arise from preceding events like symptoms or error codes is critical. Yet remains an unsolved challenge across domains like healthcare or vehicle diagnostics. We introduce CARGO, a scalable multi-label causal discovery method for sparse, high-dimensional event sequences comprising of thousands of unique event types. Using two pretrained causal Transformers as domain-specific foundation models for event sequences. CARGO infers in parallel, per sequence one-shot causal graphs and aggregates them using an adaptive frequency fusion to reconstruct the global Markov boundaries of labels. This two-stage approach enables efficient probabilistic reasoning at scale while bypassing the intractable cost of full-dataset conditional independence testing. Our results on a challenging real-world automotive fault prediction dataset with over 29,100 unique event types and 474 imbalanced labels demonstrate CARGO's ability to perform structured reasoning.
• Abstract（参考訳）: 症状やエラーコードなどの前回の事象から、疾患やシステム障害などの結果ラベルが生じるイベントシーケンスにおける因果関係を理解することが重要である。 しかし、医療や車の診断といった領域ではまだ未解決の課題だ。 CARGOは、数千のユニークなイベントタイプからなるスパースで高次元のイベントシーケンスのためのスケーラブルなマルチラベル因果探索法である。 2つの事前訓練された因果変換器をイベントシーケンスのドメイン固有の基礎モデルとして使用する。 CARGOは1連発因果グラフごとに並列に推論し、適応周波数融合を用いてそれらを集約し、ラベルのグローバルマルコフ境界を再構築する。 この2段階のアプローチは、フルデータセット条件付き独立テストの難解なコストを回避しながら、大規模な効率的な確率的推論を可能にする。 29,100以上のユニークなイベントタイプと474のアンバランスなラベルを持つ実世界の自動車故障予測データセットに対する我々の結果は、CARGOが構造化推論を行う能力を示している。

関連論文リスト

• DeCaFlow: A Deconfounding Causal Generative Model [58.411886466157185]
  本稿では,分解因果生成モデルであるDeCaFlowを紹介する。 DeCaFlowの単一インスタンスがdo-calculusで識別可能なすべての因果クエリに対して正しい推定値を提供することを示す。 多様な設定に関する実証的な結果は、DeCaFlowが既存のアプローチよりも優れており、任意の因果グラフに適用可能であることを示している。
  論文  参考訳（メタデータ） (2025-03-19T11:14:16Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Granger Causal Chain Discovery for Sepsis-Associated Derangements via Continuous-Time Hawkes Processes [10.410454851418548]
  拡張性のある2相勾配法を開発し,最大サロゲート形状推定値を求める。 本手法はアトランタのグレーディ病院に入院した患者のデータに拡張され,GCグラフでは敗血症に先行するいくつかの高度に解釈可能なGC鎖を同定した。
  論文  参考訳（メタデータ） (2022-09-09T18:21:30Z)
• 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)
• Anomaly Detection for Aggregated Data Using Multi-Graph Autoencoder [21.81622481466591]
  システムログの異常検出モデルの作成に重点を置いている。 集約されたデータと集約されたイベント間の関係を徹底的に分析する。 本稿では,新しい畳み込みグラフ自動エンコーダモデルMGAEを提案する。
  論文  参考訳（メタデータ） (2021-01-11T17:38:42Z)
• Recomposition vs. Prediction: A Novel Anomaly Detection for Discrete Events Based On Autoencoder [5.781280693720236]
  侵入検知の分野で最も難しい問題の1つは、離散イベントログの異常検出である。 離散イベントログのDeep Autoencoderベースの異常検出手法であるDabLogを提案する。 解析(符号化)と再構成(復号化)により、シーケンスが正常または異常かどうかを判定します。
  論文  参考訳（メタデータ） (2020-12-27T16:31:05Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)

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。